The genetic algorithm method for parameter estimation in nonlinear regression

Bu çalışmada doğrusal olmayan regresyonda parametre tahmini için alternatif bir yöntem önerilmiştir. Bu yöntem son yıllarda oldukça geniş bir kullanım alanına sahip olan genetik algoritmalar yöntemidir. Genetik algoritmanın kullanımı diğer parametre tahmin yöntemleri gibi yardımcı bilgiler gerektirmez ve bu nedenle pratik uygulamalar için kullanışlıdır. Bu çalışmada genetik algoritmaların diğer yöntemler kadar etkin çözümlere ulaşabileceği S-biçimli büyüme modellerinde parametre tahminleri yapılarak gösterilmiştir. Sonuçlar genetik algoritmaların yardımcı bilgiler gerektirmeksizin doğrusal olmayan regresyonda parametre tahmini için kullanılabilir olduğunu göstermektedir.

Doğrusal olmayan regresyonda parametre tahmini için genetik algoritma yöntemi

In this study, an alternative method has been proposed for the parameter estimation in non-linear regression. This method is the genetic algorithms technique which is widely used in recent years. Unlike other parameter estimation methods, genetic algorithms do not require supplementary information and thus are functional for practical purposes. Genetic algorithms are shown to achieve effective solutions compared to other methods in the 5-type growth models. The results have established that genetic algorithms with no need for auxiliary information can be used for parameter estimation in non-linear regression.

PDF

___

1. Draper, N.R. and Smith, H., Applied Regression Analysis, 2nd Edition, Wiley, New York (1980).
2. Nash, J.C. and Walker-Smith, M., Nonlinear Parameter Estimation, Marcel Dekker, Inc., New York, Basel (1987).
3. Ratkowsky, D. A., Nonlinear Regression Modeling, Marcel Dekker, New York (1983).
4. Holland, J., Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor (1975).
5. Goldberg, D.E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Readin, MA (1989).
6. Gen, M. and Cheng, R., Genetic Algorithms and Engineering Design, Wiley, New York (1996).
7. Whitley, D., "The Genitor Algorithm and Selection Pressure: Why Rank-based Allocation of Reproductive Trials is Best", in J.D.Schaffer (Ed.), Proc. of the Third Int. Conf. on Genetic Algorithms, 116-121 (1989).