CN103778327A - 一种曲线拟合方法 - Google Patents

Abstract

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。

Description

一种曲线拟合方法

技术领域

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

利用太阳电池测试仪对太阳电池片进行测试获得I-V实测数据，根据实测数据进行I-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。

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I-V数据拟合出来的I-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I-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。

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（DoubleExponential 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（Quasi-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

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。

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：

（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。

所述步骤（1）中采用最小二乘法建立目标函数： $H\left({\mathrm{\θ}}_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_i^{\′}-I_i)}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_i^{\′}-f(V_i^{\′},I_i^{\′},{\mathrm{\θ}}_i))}^2,$ 其中，I′_i为第i次实际测了的电流值；V′_i为第i次实际测了的电压值；I_i为第i次由数学模型计算出电流值；θ_i为进行第i次计算时的数组θ_i＝[R_s,R_sh,I₀,I_L,n]的值，其中，串联电阻R_s，并联电阻R_sh，二极管反向饱和电流I₀，太阳电池光生电电流I_L和n二极管品质因子为目标参数。

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m_i段，每等分段的长度定义为d，得到(m_i+1)^p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(m_i+1)^p个网格点之中随机的产生n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，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n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n对双亲，且通过杂交操作过程产生n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P_m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n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。

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。

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。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用遗传算法和人工鱼群算法的融合算法，该融合算法保持了遗传算法的全局寻优的优点，并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。

附图说明

图1是太阳能电池等效电路图；

图2是实测数据和三种算法拟合结果的对比图；

图3是GA-AFSA算法计算拟合的P-V曲线图；

图4是GA-AFSA算法计算拟合的P-V曲线图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式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。

本发明具有全局优化，同时又具有较好的收敛速度和较高的优化精度。将本发明应用于太阳电池模型参数优化中，取得了较好的效果，优化参数不仅精度高，并且稳定性也较理想。

下面以一个太阳电池I-V曲线作为具体的实施例来进一步说明本发明，具体步骤如下：对遗传算法的各个控制参数进行初始化；设定遗传算法的中止条件；初始种群的逆向性转换得到可行域；对群体中个体的适应度进行计算和评价；对选择概率、交叉概率和变异概率进行计算；执行选择、交叉、变异遗传操作；产生新一代个体并记录迭代次数，且判别是否到设定的迭代次数值；如果未满足算法的结束条件则返回“对群体中个体的适应度进行计算和评价”继续进行，直至满足算法的结束条件；对AFSA算法中的各个控制参数进行设置；由GA算法生成的当前最优解确定AFSA算法食物的初始化浓度，并设定最优解的食物浓度；设定迭代次数值及算法结束精度，并进行人工鱼群算法控制参数的初始化；随机将m条人工鱼放置在空间区域点上；计算每一条鱼周边的食物浓度函数，并将最优值记录在公告板中；判断是否满足结束条件，如果是则程序结束，公告板中的值即为全局太阳电池I-V曲线拟合的优化后的最优值，其对应θ_i数组中太阳能电池5个重要参数则是优化了的全局路径的最优值；否则重复对每一条人工鱼执行以下操作：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，直至满足人工鱼群算法的结束条件。

根据太阳电池工作原理及经验总结出来的数学模型，也是工程上广泛采用的太阳电池数学模型式（1）所示，工程上应用的太阳电池的欧姆定律等效全电路如图1所示。

$I=I_L-I_0(\exp \left(\frac{V+I{R}_S}{n{V}_{\mathrm{th}}}\right)-1)-\frac{V+I{R}_S}{R_{\mathrm{sh}}}---\left(1\right)$

式（1）中，

R_s为太阳电池的串联内阻，单位为欧姆（Ω）；R_sh为太阳电池的并联内阻，单位为欧姆（Ω）；n为二极管因子；I_L为太阳电池单体光生电流，单位为安培（A）；I₀为二极管反向饱和电流，单位为安培（A）；K为玻尔兹曼常数1.38×10^-23J/K；q为太阳电池电子电荷量（1.602×10¹⁹C）；T为绝对温度，其单位开尔文（K）。

从式（1）可以发现I＝f(V,I₀,I_L,R_s,R_sh,n)，其中含有串联电阻R_s，并联电阻R_sh，二极管反向饱和电流I₀，太阳电池光生电电流I_L和n二极管品质因子这5个重要的参数。通过实测数据拟合太阳电池的I-V曲线，从而获得上述5个重要参数的值，对进一步研究太阳电池起指导性的作用。

根据式（1）的太阳电池数学模型，为了能够使得该超越非线性函数能够更快的收敛，采用最小二乘法建立目标函数：

$H\left({\mathrm{\θ}}_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_i^{\′}-I_i)}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_i^{\′}-f(V_i^{\′},I_i^{\′},{\mathrm{\θ}}_i))}^2---\left(2\right)$

式（2）中，I′_i：第i次实际测了的电流值；V′_i：第i次实际测了的电压值；I_i：第i次由数学模型计算出电流值；θ_i：进行第i次计算时的数组θ_i＝[R_s,R_sh,I₀,I_L,n]的值；

为优化目标函数，求其的最小值。根据式（2）可以发现，当θ_i某一值时使得H(θ_i)最小值，即为函数的最优解。

根据式（1）结合式（2），对串联电阻R_s，并联电阻R_sh，二极管反向饱和电流I₀，太阳电池光生电电流I_L和n二极管因子这5个重要的参数的搜索区域确定如下：

串联电阻R_s：当太阳电池开路时，根据此时实际测量得到数据电压和电流，求得获得I-V曲线的斜率K_s，已按照K_s正负2%作为寻优区域；

并联电阻R_sh：当太阳电池短路时，根据此时实际测量得到的数据电压和电流，求得

获得I-V曲线的斜率K_sh，已按照K_sh正负2%作为寻优区域；

二极管反向饱和电流I₀：硅太阳电池通常的电流在范围在0至几十毫安，根据工程上广泛采用的方法通常范围取（0～10%）的最大电流作为其搜索范围；

二极管品质因子n：较好的太阳电池，二极管品质因子n约为1；较高结电压时为1.1～1.3；较低结电压时为1.6～1.8；因此，本实施例中所有范围设为0.5～2.0。

太阳电池光生电电流I_L：在太阳电池短路时最大电流约等于光生电流。选取实际测量得到作为I_L的中间点，搜索区域在最大电流的正负10%。

遗传算法

1)遗传算法编码：任意选取某一个参数范围[a(i),b(i)]，将它分成m_i段，每等分段的长度定义为d，那么应该就有(m_i+1)^p不同种的编码（其中p为待定参数的个数），根据式（1）改函数的待定参数为5个（即p＝5），所以5个变量参数的整个初始化区域被离散化为(m_i+1)⁵个网格点。计算精度的选择决定着m_i的取值。例如：m_i的取值5个待定参数等的值，假设二极管品质因子n的搜寻区域为（1.0～2），如果寻优精度误差小于等于0.01，则m_i≥100，则(100)⁵＝10×10⁶个空间点。m_i分为100等分后通过线性化处理，使得均匀分布在[0，1]区间上的，另外4个待定参数编码以此类推。

2)初始父代种群的产生：设种群规模为n，可以从(m_i+1)⁵个网格点之中随机的产生n个点，每一点都包含5个寻优的待定参数。根据实际情况选取320个点，将获取的点经过线性变化，根据寻优目标函数，并求得目标函数的值，再按照目标函数值的大小进行排序，并求得每一个个体的适应度函数，且依据适应度函数进行杂交、变异等操作获得种群。

3)父代群体的适应度评价：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。适应度函数表达式如下：

F(i)＝1/(f(i)×f(i))+ε   （4）

其中式（4）中ε根据实际情况可以取值为0.001目的是为了避免f(i)等于0。

4)父代个体的概率选择：依据每个个体的适应度值衡量其的优劣程度，自然规律物竞天择适者生存从而决定该个体在下一代是被遗传还是被淘汰，对于产生的第一代子代群体{u(i,j)}(i＝1,2,…p,j＝1,2,…n)，取其比例的选择方式，父代y(i,j)的选择有设定的选择概率决定，令父代的被选择概率P_s(j)为：

$P_s\left(j\right)=F\left(i\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}F\left(i\right)(j=1,2,...n)---\left(5\right)$

设

序列{P(i)|i＝1,2,…n}将[0，1]区间分段成若干个子区间[0,P₁]，[P₁,P₂],…[P_n-1,P_n]，每个子区间与其父代个体一一对应，并产生n位随机数{u(k)|k＝1,2,…n}，如果u(k)在[P_i-1,P_i]区间内，那么第i个个体将被选中，即y₁(i,k)＝y(i,j)。按照上述的选择方式一共选择n-4个个体。为了能够使得GA有效持续地进行全局优化搜索，将排列序号为前4的个体直接添加到子代的群体中去，并进行移民操作：

y₁(j,n-5+j)＝y(i,j)   (i＝1,2,…n)   （6）

5)杂交生产第2代子群体：在同一个群体之中不同的个体之间，彼此进行信息的交换实现GA杂交操作.在实数编码系统中任意一个基因都表示其特定的一个优化值，为了保持个体信息的多样性，在n个父代中随机选择两个个体y(i,j)与y(i,j+1)作为双亲，并进行线性组合，从而形成二个子代个体y₂(i,j)：

y₂(i,j)＝y(i,j)+(1-r_j)(y(i,j)-y(i,j+1))   （7）

y₂(i,j+1)＝y(i,j)-r_j×(y(i,j)-y(i,j+1))   （8）

令r为在[0，1]区间上的随机实数，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n对双亲，且通过杂交操作过程产生n个子代种群个体。

6)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P_m进行1与0翻转也就是1变0或0变1，形成新的重组基因编码。遗传变异是为了进化基因，使得群体更具有多样性。由于采用的是实数编码，所以不能直接进行位的翻转，故采用了随机变异。具体操作如下：对于每一个父代个体而言，假设它的适应度F(j)越大则变异的概率P_m就越小，反之亦然。利用某个随机数P_m的概率产生的随机数来代替父代个体y(i,j)并得到y₃＝(i,j),i＝1,2,…,p，如下所示：

y₃(i,j)＝R(i),r_j＜P_m(i)   （9）

y₃(i,j)＝y₃(i,j),r_j＞P_m(i)   （10）

其中，R(i),r_j为随机数。利用这种方法变异获得第3代个体。

7)演化迭代：在4）～6）步骤中得到若干个子代群体个体，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n个群体子代个体作为新一轮的父代，然后转入3）重新4）～6）操作。

8)遗传算法的终止条件：遗传算法的终止条件判断事实上就是判GA算法与AFSA算法的最佳融合时机。令GA算法的迭代次数等于N_G次，N_Gmin为迭代次数的下限值，N_Gmax为最大迭代次数的上限值，其中N_Gmin≤N_G≤N_Gmax。GA在迭代过程中对控制函数

的反馈信号作出判断，假如连续3次

，则立即终止遗传算法迭代并进入AFSA算法。

人工鱼群算法

人工鱼群数学模型的定义相关人工鱼的个体状态可以表示成向量X＝(x₁,x₂,…x_n)式中x_i(i＝1,2,…,n)为预期寻优的变量。人工鱼群个体目前所处位置的食物浓度记为Y＝f(x)，式中Y是目标函数值。人工鱼群个体之间的距离记作d_ij＝||X_i-X_j||；Visual则表示人工鱼群个体的感知距离；step表示人工鱼群个体移动的步长，记随机步长为rand×step。δ(0＜δ＜1)表示人工鱼群个体之间的拥挤度因子。以下对人工鱼群算法具体操作进行描述：

觅食行为:令人工鱼群个体目前状态为X_i,在人工鱼群个体感知范围之中随机选择某一状态X_j,通过偏导求得极小值若X_i＞X_j就向X_i方向向前移动一步；反之,则再一次重新产生随机状态X_j,并判断是否满足向前移动的条件；循环若干次后如果仍未满足前进的条件,那么就随机移动一步，步长为rand×step。

聚群行为:令人工鱼群个体目前状态为X_i,探索现在邻域范围内(即d_ij＜Visual)的伙伴数量n_f和中心位置。若

则表示伙伴中心有较多的食物而且不怎么拥挤，故向伙伴中心的位置方向移动一步；否则继续执行觅食行为。

追尾行为:令人工鱼群个体目前状态为X_i，探索现在邻域范围内(即d_ij＜Visual)的伙伴之中，其Y_i适应度最大的一个伙伴X_j，若

则伙伴X_j的状态具有较高的食物浓度而且该伙伴周围也不太拥挤，故向伙伴X_j的方向移动一步；否则继续执行觅食行为。当n_f＝0时也继续执行觅食行为。

公告板：公告板及时记录最优人工鱼群个体的状态。人工鱼群个体进行寻优过程中，每次执行动作之后会检验个体自身的状态和公告板的参数，假设个体自身的状态优于公告板的参数,便将公告板的参数更改为该个体自身的状态，使得一直保持公告板记录下的参数为最优状态。

行为选择：根据所要获得的目标值的要求，针对人工鱼群目前所处的环境进行必要评价，确定选择某种行为。如果是针对求取极小值的问题，一种比较简单的评估方法：首先执行追尾行为，假设没有进步再执行觅食行为，假设仍没有进步便执行聚群行为，如果还是没有进步选择执行随机行为。

人工鱼群算法中止的条件：当H(θ_i)＜10^-5时，或人工鱼群算法算法达到设定的迭代次数停止计算，结束算法运算。

利用太阳能电池测试仪对TDB-100硅单晶太阳电池标准片进行测试，并将400对实测I-V数据保存读取，其中选取了18对I-V测试数据，利用本文提出的GA-AFSA算法对其进行I-V曲线拟合，同时拟合的结果同现有技术（徐林,崔容强.对太阳电池I-V曲线进行拟合的数论方法[J].太阳能学报,2000,21(2):160-163）进行比较分析如图2和表1所示，其中拟合误差设定小于0.02%。

从图2分析可得，现有技术拟合的精度非常高，如文献所描述，通过计算仿真模拟三种算法的拟合精度都非常接近，遗传算法拟合结果和本发明的方法拟合的结果几乎相等，图3为本发明方法拟合的P-V曲线。

表1三种先进算法仿真实验结果比较

从表1中可以发现这三种算法无论采用何种算法，其串联电阻R_s，并联电阻R_sh，二极管反向饱和电流I₀，太阳电池光生电电流I_L和n二极管品质因子这5个重要的参数的计算值基本相近。而其拟合的误差相对来说遗传算法和本发明的方法要优于现有技术的算法，从收敛速度看遗传算法的收敛速度最慢，通过人工鱼群算法的改进明显的提高了收敛速度。由于算法收敛速度加快及精度高，将有利于进一步对太阳电池的网络远程在线测试的研究。

本发明的方法在太阳电池I-V曲线拟合中有较好的表现，为了进一步验证算法的普适性，采用本发明的方法对随机电流信号采样曲线拟合做进一步的研究，其拟合结果如图4所示。结果表明本发明不仅适应用太阳电池I-V曲线拟合，同时也适用其它的曲线拟合。如：工程上对信号进行采样和数据处理，根据实测数据进行曲线拟合。

Claims (6)

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： $H\left({\mathrm{\θ}}_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_i^{\′}-I_i)}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(I_i^{\′}-f(V_i^{\′},I_i^{\′},{\mathrm{\θ}}_i))}^2,$ 其中，I′_i为第i次实际测了的电流值；V′_i为第i次实际测了的电压值；I_i为第i次由数学模型计算出电流值；θ_i为进行第i次计算时的数组θ_i＝[R_s,R_sh,I₀,I_L,n]的值，其中，串联电阻R_s，并联电阻R_sh，二极管反向饱和电流I₀，太阳电池光生电电流I_L和n二极管品质因子为目标参数。

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m_i段，每等分段的长度定义为d，得到(m_i+1)^p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(m_i+1)^p个网格点之中随机的产生n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n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n对双亲，且通过杂交操作过程产生n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P_m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n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。

Images