Estimación de los parámetros del modelo no lineal de promedios móviles usando la metaheuristica de-pso

• Autores: Juan David Velásquez Henao, Miladys R. Cogollo, Patricia Jaramillo
• Localización: Revista de Ingenierías: Universidad de Medellín, ISSN 1692-3324, Vol. 12, Nº. 22, 2013, págs. 147-156
• Idioma: español
• Títulos paralelos:
  • Estimation of the nonlinear moving average model parameters using the de-pso meta-heuristic
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La extensión teórica de los modelos lineales de promedios móviles al caso no lineal es directa y sencilla. Sin embargo, el uso práctico de los modelos no lineales de promedios móviles es limitado debido a la complejidad del espacio de parámetros y la imposibilidad de las establecer derivadas analíticas de la función de estimación.

    En este artículo, se evalúa el uso del algoritmo híbrido Evolución Diferencial- Optimización del Enjambre de Partículas para calcular los parámetros óptimos del modelo no lineal de promedios móviles. Los resultados obtenidos muestran que la técnica meta-heurística utilizada es capaz de calcular con mayor precisión los valores de los parámetros del modelo en comparación con los algoritmos tradicionales. Este hallazgo nos alienta a explorar el uso de las meta-heurísticas en la estimación de los parámetros de otros modelos no lineales de promedios móviles.

  • English

    Theoretical extension of the linear moving average models to the nonlinear case is direct and straightforward. However, the practical use of nonlinear moving average models is limited because of complexity of the parameters space and the impossibility of establishing the analytic derivate of estimation function. In this article, we evaluate the use of the Differential Evolution � Particle Swarm Optimization hybrid algorithm for calculating the optimal parameters of the nonlinear moving averages model. Obtained results show that the used meta-heuristic technique is able to calculate with more accuracy the values of the parameters of the model in comparison with the traditional algorithms. This finding encourages us to explore the use of meta-heuristics in the estimation of the parameters of other nonlinear moving average models.