基于改进遗传算法与加权相对误差最小化的动力学系统参数估计方法

《AppliedMath》：Efficient Parameter Estimation for Oscillatory Biochemical Reaction Networks via a Genetic Algorithm with Adaptive Simulation Termination Tatsuya Sekiguchi, Hiroyuki Hamada and Masahiro Okamoto

　　

摘要：本文提出一种基于实数编码遗传算法(Genetic Algorithm, GA)与加权相对误差最小化准则的动力系统参数估计框架，适用于由常微分方程(Ordinary Differential Equation, ODE)描述的生化反应网络或 compartmental 模型的参数辨识问题。研究人员采用对数空间(log-space)参数化以保证参数正值约束，设计归一化的加权相对误差目标函数 J(θ)，并在分母中引入稳定常数 ε＝η·maxc,k,j|yexpc,k(tc,j)|（η＝10?3）以避免观测值为零时的数值不稳定。全局搜索阶段使用自适应实数编码集合交叉(Adaptive Real-coded Ensemble Crossover, AREX)与Just Generation Gap(JGG)方案的GA，在 log-space 中进化搜索，随后可进行局部精细化求精。研究人员证明该方法可有效处理参数跨多个数量级、非负约束及近零观测值问题，并通过数值仿真验证其在非线性、非凸、多峰目标函数下的鲁棒性。该框架为复杂动力系统、特别是生化动力学模型的实验数据拟合提供了一种实用且稳定的参数估计流程。

研究背景与问题提出

生化反应网络及 compartmental 模型通常由非线性常微分方程组(ODE)描述，其参数估计系逆问题，面临三方面困难：（1）目标函数高度非线性、非凸且多峰(multimodal)，源于反应动力学非线性及参数强耦合；（2）速率常数常跨越多个数量级且须严格为正(θ_i>0)，显式不等式约束增加优化难度；（3）实验观测含近零或零值，传统最小二乘或绝对误差准则在此类低信号区产生数值不稳定或失真。传统梯度法易陷入局部极小，标准GA未针对上述问题作专门设计。本文发表于《AppliedMath》，旨在构建一套融合全局—局部混合优化、对数空间无约束变换及稳定化相对误差度量的完整参数估计流程。

主要关键技术方法

研究人员采用：（1）加权相对误差目标函数 J(θ)＝(1/C)Σ_c=1^C(1/n^exp)Σ_k=1^{nexp(1/T_c)Σ_j=1T_c|y_c,ksim(t_c,j;θ)?y_c,kexp(t_c,j)| / max(ε,|y_c,kexp(t_c,j)|)，其中 ε＝η·max_c,k,j|y_c,kexp(t_c,j)|，η＝10?3；（2）对数空间参数化 z_i＝log θ_i（z∈?p），反向映射 θ_i＝exp(z_i)自动满足正值约束；（3）实数编码遗传算法(GA)使用自适应实数编码集合交叉(AREX, Adaptive Real-coded Ensemble Crossover)与Just Generation Gap(JGG)精英保留策略进行全局探索；（4）可选局部精细化（如拟牛顿或梯度法）在 log-space 中对 GA 选出的最优个体邻域执行无约束优化。}

论文主体内容解读

2.1. Weighted Relative Error Objective Function（加权相对误差目标函数）

研究人员定义嵌套平均的相对误差目标函数 J(θ)，先对条件—可观测量—时间点内求相对偏差绝对值的平均，再分别平均过可观测量 k 和条件 c。分母取 max(ε, |y^exp|) 引入稳定常数 ε，当实验观测趋近零时代替绝对误差缩放，防止除零。ε 取 η 倍全数据集最大观测幅值（η＝10^?3），使目标函数在大幅值区保持相对误差语义，在低幅值区退化为近似绝对误差。此设计消除对观测值人工缩放或剔除零值的需求，且对 η 在小范围内不敏感。

2.2. Log-Transformed Parameterization（对数变换参数化）

研究人员令 z_i＝log θ_i，优化变量 z∈?^p无约束，θ_i＝exp(z_i)＞0 天然满足正值要求，免去显式不等式约束。对数参数化（i）改善跨数量级参数的尺度平衡，（ii）增强 ODE 数值积分稳定性（避免下溢/溢出），（iii）与比例偏差意义的相对误差目标相匹配。GA 进化操作与局部求精均在 z-space 执行，模型仿真时通过指数映射还原 θ。

2.3. Global Exploration Using a GA（基于 GA 的全局探索）

研究人员采用实数编码 GA，种群 P_g＝{z_m}_m=1^N在 log-space 中代表候选参数向量。子代经 AREX（Adaptive Real-coded Ensemble Crossover）生成，结合 JGG（Just Generation Gap）机制——仅用子代中适应度最优者替换父代同索引个体，维持种群规模并加速收敛。目标函数值为 J(exp(z))。GA 提供对多峰、非凸 J(θ) 的全局勘探能力，克服局部梯度法陷于次优解的问题。

Remark 1

研究人员指出 J(θ) 因非线性反应动力学与强参数交互呈高度非线性、非凸及多峰特征，每轮目标函数评估需数值求解所有实验条件下的 ODE（式(2)），计算开销较大，故方法设计需兼顾评估效率。

讨论与结论

研究人员得出结论：所提框架通过（i）归一化加权相对误差目标函数配稳定化分母处理零/近零观测；（ii）对数空间无约束变换免除正值不等式约束并改善参数尺度；（iii）AREX+JGG 实数编码 GA 实现有效全局搜索，可衔接局部求精——构成一套适用于非线性动力学系统（尤指生化网络）实验数据拟合的完整参数估计流程。该方法在参数跨数量级、含缺失或近零观测及多峰目标情形下较传统最小二乘+局部优化具更好鲁棒性与实用性，为《AppliedMath》所刊载之动力学反问题参数辨识提供了一种可复现的数值方案。