如何在R中使用GA包优化含双自变量多参数的函数并解决运行报错
问题诊断
- 遗传算法调用传参错误:
ga函数迭代生成的待优化参数存储在向量x中,当前代码直接传入固定的边界值P1[1]/P2[2]等,完全没有使用迭代参数,导致目标函数计算无意义,返回无效值。 - 目标函数内部逻辑错误:计算
RS时错误拼接了A和B两个长度为31的向量,得到长度为62的数组,后续计算得到的TE_Pred和真实值TE_obs长度不匹配,nrmse计算结果为NaN。此处只需调用pmax(A,B)即可逐位取两个向量的较大值,逻辑更简洁且结果正确。 - 缺少异常值处理:当
Var1取值接近0时会出现除零错误,极端参数还会导致平方根、指数计算异常,需要添加异常捕获逻辑,对无效参数返回高惩罚值,保证迭代正常运行。
修正后完整代码
Var1_obs <- c(-1.942000, -1.338000, -2.065000, -2.080125, -3.247944, -5.365086, -1.608000, -3.970000, -1.423000, -8.180000, -4.620000, -1.657000, -5.200000, -6.850000, -6.950000, -1.180000, -1.175000, -1.969000, -1.115000, -2.620000, -1.870000, -0.433000, -1.102000, -2.093687, -2.480000, -0.580000, -0.600000, -1.807383, -2.367000, -2.276017, -2.125331) Var2_obs <- c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1) TE_obs <- c(92.73958, 93.39356, 84.39019, 93.40717, 97.53228, 92.04734, 82.06016, 78.50015, 83.43671, 55.24498, 67.92513, 77.53455, 65.33344, 47.05005, 46.52794, 96.79697, 84.79326, 83.64457, 82.17259, 88.96605, 84.93663, 83.16691, 95.22838, 96.46441, 79.61302, 80.39901, 88.38439, 72.23954, 85.64084, 69.33542, 82.30360) data<-data.frame(Var1_obs,Var2_obs,TE_obs) plot(data$Var1_obs[data$Var2_obs==0],data$TE_obs[data$Var2_obs==0], xlim=range(data$Var1_obs), ylim=range(data$TE_obs), col=2, pch=19, xlab='Var1_obs', ylab='TE_obs') points(data$Var1_obs[data$Var2_obs==1],data$TE_obs[data$Var2_obs==1], xlim=range(data$Var1_obs), ylim=range(data$TE_obs), col=3, pch=19) library(GA) library(hydroGOF) My_function <- function(Var1, Var2, P1, P2, P3, P4, P5, P6, P7) { # 异常捕获,无效参数返回极大惩罚值 tryCatch({ A <- (-1 * (Var1 + P1 - P2) - sqrt((Var1 + P1 - P2)^2 + 4 * (Var1 * P2))) / (2 * P2) B <- 1 - P1 / Var1 # 逐位取A和B的较大值,替换原错误逻辑 RS <- pmax(A, B) PC <- 100 / (1 + exp(P3 / 25 * (Var1 - P4))) RMC <- (1 - RS) symp <- RMC * (1 / (P5 / 1000) - 1) * 100 * (1 - P6) apo <- (1 - PC / 100) * (1 / (P5 / 1000) - 1) * 100 * (P6) TE_Pred <- (apo + symp) * (1 + P7 * Var2) NRMSE <- nrmse(TE_Pred, TE_obs, na.rm = TRUE, norm = "sd") # 处理异常返回值 if(is.na(NRMSE)|is.nan(NRMSE)|is.infinite(NRMSE)) NRMSE <- 1e6 return(NRMSE) }, error = function(e) { return(1e6) }) } # ----------------------- 边界设置 --------------------------- # P1 <- c(-3.5, -2.3) P2 <- c(5, 15) P3 <- c(15, 60) P4 <- c(-7.5, -6) P5 <- c(500, 600) P6 <- c(0.3, 0.6) P7 <- c(-1, 0) min_boundary <- c(P1[1], P2[1], P3[1], P4[1], P5[1], P6[1], P7[1]) max_boundary <- c(P1[2], P2[2], P3[2], P4[2], P5[2], P6[2], P7[2]) # 修正fitness传参,传入迭代生成的x向量的对应位置值 ga_result <- ga( type = "real-valued", fitness = function(x) -My_function(Var1 = Var1_obs, Var2 = Var2_obs, P1 = x[1], P2 = x[2], P3 = x[3], P4 = x[4], P5 = x[5], P6 = x[6], P7 = x[7]), lower = min_boundary, upper = max_boundary, popSize = 50, maxiter = 1000, run = 100 ) # 查看最优参数 print(ga_result@solution)
运行说明
- 修正后代码会正常完成迭代,
ga_result@solution中存储的就是拟合效果最优的P1~P7参数值。 - 若需要提升拟合精度,可以适当调大
popSize和maxiter参数。
内容的提问来源于stack exchange,提问作者Belmondo
相关产品推荐
相关产品推荐

