一种曲线拟合方法
【专利摘要】本发明涉及一种曲线拟合方法，包括以下步骤：确定优化目标函数和目标参数；利用遗传算法生成目标参数最优解；根据得到的目标参数最优解设定人工鱼群算法食物的初始化浓度以及最优解的食物浓度；计算每一条人工鱼周边的食物浓度函数，并将最优值记录在公告板中，得到曲线拟合的优化后的最优值。本发明通过人工鱼群的高效收敛和正反馈提高了收敛速度，避免了传统遗传算法收敛慢、早熟的现象。
【专利说明】一种曲线拟合方法
【技术领域】
[0001]本发明涉及太阳能电池测试【技术领域】，特别是涉及一种曲线拟合方法。
【背景技术】
[0002]利用太阳电池测试仪对太阳电池片进行测试获得1-V实测数据，根据实测数据进行1-V曲线拟合，获得相应的拟合曲线和数学表达式，作为判断该太阳电池片性能的重要参考依据，也是分析太阳电池片转换效率的重要依据。
[0003]太阳电池的数学理论模型是根据其工作原理而总结出来的经验数学模型，该数学模型有着较丰富的物理意义，主要包含光生电流、二极管品质因数、串联电阻、反向饱和电流、并联电阻等5个重要参数。对于一个被测的太阳电池片而言，上述的5个重要参数均为待定参数，要利用实测的数据进行拟合从而获得参数值。利用实测ι-v数据拟合出来的1-V曲线只能从宏观方面了解太阳电池的光电特性，而生产太阳电池片时的工艺、材料和结构设计是太阳电池片光电特性的决定因素。对于5个参数的直接测试至今仍缺乏精准而有效的方法，这也造成了进一步研究提高太阳电池转换效率的难度。因此，通过实测的数据利用太阳电池数学模型进行有效的1-V曲线拟合，建立5个待定参数的关系，从而取得相应的值，是进一步研究太阳电池的关键技术之一。
[0004]若想通过实测的数据计算太阳电池重要参数，首先要对其进行回归估算。Walker-Smith和Nash介绍了梯度法、变尺度法、直接搜索法、Newton-Rophsor法等，上述的方法均是针对非线性回归数学模型而提出的拟合估算方法。由于太阳电池数学理论模型是一个非线性超越函数，故不能直接运用上述方法对太阳电池数学模型的拟合估计参数值。针对非线性超越方程目前常见的算法有泰勒多项式法(TylorPolynome Alyorithm),该方法拟合精度较高，但计算繁杂，也不能直接获取太阳电池的5个重要参数值；双指数算法(Double Exponential Algorithm),该算法可以较直观的计算出太阳电池的参数，但该算法利用有限的实测数据值进行求值，实测参考点取值不同也可能导致其计算结果的不一致性；伪蒙特卡罗算法(Quas1-Monte Carlo Slgorithm),该算法精度高,但参数的预处理计算量非常大，收敛速度较慢。
【发明内容】
[0005]本发明所要解决的技术问题是提供一种曲线拟合方法，能够提高收敛速度。
[0006]本发明解决其技术问题所采用的技术方案是:提供一种曲线拟合方法，包括以下步骤:
[0007](I)确定优化目标函数和目标参数；
[0008](2)利用遗传算法生成目标参数最优解；
[0009](3)根据得到的目标参数最优解设定人工鱼群算法食物的初始化浓度以及最优解的食物浓度；
[0010](4)计算每一条人工鱼周边的食物浓度函数，并将最优值记录在公告板中，得到曲线拟合的优化后的最优值。
[0011]所述步骤(1)中采用最小二乘法建立目标函数:
【权利要求】
1.一种曲线拟合方法，其特征在于，包括以下步骤: (1)确定优化目标函数和目标参数； (2)利用遗传算法生成目标参数最优解； (3)根据得到的目标参数最优解设定人工鱼群算法食物的初始化浓度以及最优解的食物浓度； (4)计算每一条人工鱼周边的食物浓度函数，并将最优值记录在公告板中，得到曲线拟合的优化后的最优值。
2.根据权利要求1所述的曲线拟合方法，其特征在于，所述步骤(1)中采用最小二乘法建立目标函数
3.根据权利要求1所述的曲线拟合方法，其特征在于，所述步骤(2)包括以下子步骤:(21)遗传算法编码:任意选取一个参数范围，将它分成Hii段，每等分段的长度定义为d，得到(mi+l)15不同种的编码，其中P为目标参数的个数； (22)初始父代种群的产生:设种群规模为n，从(nii+l)15个网格点之中随机的产生η个点，每一点都包含P个寻优的待定参数； (23)父代群体的适应度评价，其中，目标函数值的大小决定着适应度的高低，目标函数值越大，适应度越低，反之则适应度高； (24)父代个体的概率选择:对于产生的第一代子代群体，取其比例的选择方式，父代的选择有设定的选择概率决定； (25)在η个父代中随机选择两个个体作为双亲，并进行线性组合，从而形成二个子代个体，由父代个体的概率选择决定两组父代的选择并进行随机的两两配对，生成η对双亲，且通过杂交操作过程产生η个子代种群个体； (26)变异产生第3代子代群体:每一个父代个体的染色体信息上的任意一位或者两位的基因编码按概率Pm进行变异，形成新的重组基因编码； (27)演化迭代:在得到若干个子代群体个体后，按照其适应度的大小，从小至大进行排序，获取排序在最前面的η个群体子代个体作为新一轮的父代，然后重复步骤(23)~步骤(26),直至满足遗传算法的结束条件。
4.根据权利要求3所述的曲线拟合方法，其特征在于，所述步骤(27)中的结束条件为:在迭代过程中对控制函数的反馈信号作出判断，假如连续三次本次的反馈信号与前一次反馈信号之差小于阈值，则结束遗传算法。
5.根据权利要求1所述的曲线拟合方法，其特征在于，所述步骤(4)中每一条人工鱼均需执行以下操作:计算追尾行为和聚群行为的函数值，由行为选择策略选择最优的行为作为人工鱼群个体的前进方向，缺省行为为觅食行为则令该鱼向前移动一步；计算每一条鱼的食物浓度函数值，其最优值与公告板中的参数进行比较，始终保持公告板中的值为最优值。
6.根据权利要求1所述的曲线拟合方法，其特征在于，所述人工鱼群算法的中止条件为目标函数的数值小于10_`5，或人工鱼群算法达到设定的迭代次数。
【文档编号】G06N3/12GK103778327SQ201410010761
【公开日】2014年5月7日 申请日期:2014年1月9日 优先权日:2014年1月9日
【发明者】胡克满 申请人:宁波职业技术学院