Optimizavimo algoritmų analizė chaotinių atraktorių rekonstravimo uždaviniuose
| Autor: | Mekšunaitė, Erika |
|---|---|
| Přispěvatelé: | Lukoševičiūtė, Kristina |
| Jazyk: | litevština |
| Rok vydání: | 2015 |
| Předmět: | |
| Popis: | Tiriama problema. Chaotinės laiko eilutės rekonstravimas į laiko vėlinimo erdvę nereguliariais laiko vėlinimais, kai laiko vėlinimo erdvės konstravimui parenkamas optimalus laiko vėlinimų rinkinys. Tyrimo aktualumas. Rekonstravus atraktorių iš skaliarinės laiko eilutės į daugiamatę vėlinimų erdvę gautos laiko eilutės būsenos šioje erdvėje yra plačiai taikomos laiko eilutės prognozavimui, kai iš praeities duomenų į ateitį prognozuojama paskutinė laiko eilutės reikšmė. O laiko eilučių prognozavimas yra labai svarbus uždavinys daugelyje mokslo sričių. Tačiau norint parinkti optimalų laiko vėlinimų rinkinį tenka spręsti pilno perrinkimo uždavinį, o jei vėlinimų erdvės dimensija yra didelė, toks uždavinys tampa sunkiai išsprendžiamu skaičiavimų apimties prasme. Todėl ši problema sprendžiama panaudojant optimizavimo metodus, optimizuojant naują literatūroje pateikiamą rekonstruoto atraktoriaus savybių įvertinimo kriterijų. Tokiu būdu rekonstravus chaotinę laiko eilutę pagerinama šių laiko eilučių prognozavimo kokybė (šiame darbe laiko eilučių prognozavimas neatliekamas). The main aim of this work is to modify an optimization algorithm, by which an optimal or a near-optimal set of time lags of non-linear time series could be found. This set of time lags could be used to solve a very frequently occurring problem – time series forecasting (when future values are predicted from the past values). To achieve this, two evolutionary population-based metaheuristic optimization algorithms – genetic and artificial bee colony, have been analyzed by using time series reconstruction into time delay space with non-uniform time delays. To identify the best solution, the newly proposed non-uniform attractor embedding criteria was used and hopes are that algorithm will find better set than in uniform embedding case. All experiments are done with benchmark Mackey-Glass chaotic time series. So firstly, during the analysis of these two algorithms, the parameters of each algorithm were analyzed separately (also some versions of main algorithm stages were analyzed in genetic case). When proper parameters were chosen, the two samples were acquired of best solutions from every algorithm run. Using this sample of results the effects of these two algorithms are presented separately. Comparing with the results received in other literature it can be stated, that tuning of algorithm parameters for each problem is very important. Secondly, having this two samples the performance of genetic and artificial bee colony algorithms have been compared by some statistical rates and formal hypothesis testing. Based on the results from this step, it was clear that artificial bee algorithm is more effective in respect of quality for this problem. Finally, the functionality of these two constructed algorithms was tested by reconstructing daily-brightness time of a variable star time series into time delay space. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|