遗传算法在三水源新安江模型参数率定中的应用研究

遗传算法是一种全局数值优化方法。该文在三水源新安江模型的参数率定问题中,结合遗传算法的基本原理和参数自身的特点,提出了基于遗传算法的参数率定方法,并通过实验确定遗传算法的参数。经过清江流域几次洪水历史资料的实例应用验证,结果表明该方法直观、简便、适用性强,率定的模型参数是合理的,能够提高洪水预报精度。该文所介绍的方案已成功应用于“数字清江”工程洪水预报中。     

遗传算法在水文预报中的应用

本文简要介绍了遗传算法的基本原理，利用该算法率定新安江模型的参数，并应用于江界河-思南区间的水文预报。结果表明，利用遗传算法率定水文模型参数直观、简便、适用性强，能较大的提高水文预报的效率和精度。     

粒子群算法在河道水动力模型参数校正中的应用

参数估计一直是河道水动力模型研究的难点之一,在传统的模型参数人为经验率定方法的基础上,提出了基于粒子群算法的模型参数优化校正方法,构建了参数校正优化模型,并将参数优化校正算法与河道水动力模型进行耦合,针对淮河干流和史灌河支流组成的研究区域,采用一维河道洪水演进模型,比较了糙率系数校正方法和传统经验估算法,校正方法得到的河段糙率系数值比人为经验估计值平均大0.01,淮河干流河段糙率略大于史灌河支流河段糙率,采用校正河段糙率系数得到的河道水位过程与实测值拟合更优,特别在主峰段洪水过程模拟精度显著改善,验证了本文所提出的参数优化校正算法的有效性,为复杂河道水动力模型参数的确定提供了一种有效方法。     

基于并行遗传算法的新安江模型参数优化率定方法

本文结合新安江模型参数的特点，以洪峰流量、峰现时间和洪水总量的合格率为评价目标，定义了评价洪水性能目标的模糊合格率，提出了新安江模型参数率定的并行遗传算法，并在微机集群环境下，利用JAVA语言进行了算法编程。串行和并行遗传算法计算结果的比较表明，本文提出的并行遗传算法可以大大缩短优化过程的时间，得到较为稳定的模型参数。     

基于Condor 的模型参数自动识别实例研究

基于物理机理的分布参数模型广泛用于评价和模拟地下水流和水力响应。传统的确定数值模型参数的试错法(人工方法),过多地依赖于建模者的经验和主观判断,并且是一个非常耗时的过程。引进一种带约束、非线性、全局收敛且无需求导的Condor优化算法,以理想的地下水模型为例,实现了模型参数自动识别的完整过程,并与广泛采用的遗传算法收敛效果进行对比。结果表明,相比于遗传算法,Condor算法受参数初值影响小,寻优效率提升显著。     

单目标和多目标优化在 SWAT 模型率定中的对比

为评估不同优化方法在分布式水文模型参数率定中的效率和效果，分别使用基于代理模型的多目标优化方 法 (multi-objective?adaptive?surrogate?modeling-based?optimization，MO-ASMO)、NSGA-Ⅱ和 SCE-UA 对 SWAT 模型 进行参数率定。基于四湖流域 2008—2021 年的实测流量数据以及高程、土地利用、土壤类型等数据，构建 SWAT 模型，并针对 3 种不同优化方法的参数率定结果，采用相对误差百分比（PBIAS）、Nash-Sutcliffe 效率系数 （ENS）、均方根误差（ERMS）和 Kling-Gupta 效率指标（EKG）4 种评价指标对比不同优化算法的优化效果，此外还创新 性地量化不同统计指标的不确定性，以更全面地评估不同算法优化结果的稳健性与可靠性。结果表明，与单目标 优化方法 SCE-UA 相比，多目标优化方法的参数率定结果表现出更好的可靠性和稳健性，在多目标优化方法中， MO-ASMO 方法能以显著更少的模型运行次数达到与 NSGA-Ⅱ相似的优化效果。     

一种高效的SWAT模型参数自动率定方法

对于SWAT这种复杂的分布式水文模型，参数率定是模型成功应用的难点和关键。虽然SWAT2005模型中已经有了参数自动率定模块，但其运行效率较低，对于大型流域难以推广。本文研究分析了SWAT模型和PSO算法的原理，将PSO算法引入SWAT模型中，构建了新的SWAT模型参数自动率定模块，通过在天津于蓟运河流域实例研究，发现该方法率定精度较高，收敛速度更快，运行结果稳定，整体率定效果优于模型自带的参数率定模块；如果用改进后的模块在Linux平台开展自动率定，可以使模型自动率定效率提高到当前水平的7倍，适用于大型流域或长时间系列模拟。而PSO算法作为一种通用的优化算法，可广泛用于各种水文模型的参数率定。     

一种高效的SWAT模型参数自动率定方法

本文分析了SWAT模型和PSO算法的原理,将PSO算法引入SWAT模型中,构建了新的SWAT模型参数自动率定模块,通过在天津蓟运河流域实例研究,发现该方法率定精度较高,收敛速度快,运行结果稳定,整体率定效果优于模型自带的参数率定模块。如果用改进后的模块在Linux平台开展自动率定,可以使模型自动率定效率提高到当前水平的7倍,适用于大型流域或长时间系列模拟。而PSO算法作为一种通用的优化算法,可广泛用于各种水文模型的参数率定。     

遗传算法在水质模型参数率定中的应用

本文探讨了遗传算法在水质模型参数率定过程中的应用,以堆龙河(西藏羊八井电厂尾水注入)为例,说明了遗传算法在数值优化中具有简单易行、高效性及普遍适用性的优势。实际应用表明,用遗传算法率定的水质模型参数的结果比较令人满意。     

WEP模型全局参数敏感性分析及参数自动率定

本文把LH-OAT全局参数敏感性分析算法，SCE-UA全局参数自动优化算法引入WEP-L模型，并成功应用于汉江上游流域。通过LH-OAT参数敏感性分析，可以减少参与参数优化的参数个数，然后再对这些参数进行SCE-UA参数自动优化。同时，为比较不同目标函数对参数敏感性及自动率定的影响，分别对8种目标函数进行了参数敏感性分析及自动率定。结果显示排序后的残差平方和及其变化形式的效果较好，其中排序后二次方根形式变化的残差平方和效果最好。WEP-L模型参数自动化率定的实现，可大大提高WEP-L模型参数率定的科学性和客观性，从而方便WEP-L模型的推广与应用。     

多元优化算法在马斯京根模型参数优化中的应用

以2个实例为研究对象,利用一种新型群体智能算法——多元优化(MVO)算法优化马斯京根模型参数,并与相关文献中加速遗传算法等多种方法的优化结果进行对比。结果表明:MVO算法优化结果优于其他算法,利用MVO算法优化马斯京根模型参数,可以获得比相关文献更高的模拟精度,不但为精确估计马斯京根模型参数提供了有效方法,而且拓展了MVO算法在水文模型参数优化中的应用。     

基于智能聚类识别的 SWAT 模型参数优化方法 −以石头口门水库流域为例

为探究 SWAT 模型参数优化过程与方法,降低参数估计不确定性,采用敏感性分析方法遴选关键参数,针对 关键参数采用拉丁超立方抽样构建参数样本集,进而结合各组关键参数组合下的模拟精度指标构建聚类指标集, 采用 SOM 聚类算法进行聚类,并基于模拟精度较高且波动较小类别识别各关键参数取值范围,形成一种 SWAT 模型关键参数优化系统方法。以石头口门水库流域为例,选取 1980—2016 年（1980—1986 年为预热期,1987— 2009 年为率定期,2010—2016 年为验证期）的月径流实测资料,建立流域 SWAT 模型,引入 SOM 聚类算法进行参 数优化,不断缩小模型关键参数合理取值区间,并应用 SUFI-2 算法进行模拟结果对比。结果表明：SWAT 模型适 用于石头口门水库流域,且参数优化前验证期的决定系数 R2为 0.79,纳什效率系数 ENS为 0.74,P-factor 为 0.65,R-factor 为 0.56;参数优化后验证期 R 2为 0.88,ENS为 0.83,P-factor 为 0.70,R-factor 为 0.50,模拟效果较好。故 应用 SOM 算法进行 SWAT 模型参数优化可以降低模型不确定性,提高径流模拟精度,为水文模型参数优化算法 的选择提供思路,对水资源管理政策制定与水库优化调度具有重要意义。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于 UQ-PyL 的 SWAT 模型参数不确定性 分析综合评估

为解决 SWAT?(soil?and?water?assessment?tool) 模型在复杂情形下的参数不确定性分析问题，引入参数不确定 性分析平台 UQ-PyL(Uncertainty?Quantification?Python?Laboratory)，开发 UQ-PyL 与 SWAT 模型的耦合模块，使得 UQ-PyL 中的各种算法能够方便快捷地应用于 SWAT 模型的参数不确定性分析。为验证 UQ-PyL 用于 SWAT 模 型参数不确定性分析的效果，在我国不同气候条件下的 4 个流域构建 SWAT 模型，综合对比评估 UQ-PyL 与 SWAT-CUP 对模型参数的不确定性分析结果。结果表明：UQ-PyL 多种敏感性分析方法筛选出的敏感参数比 SWAT-CUP 单一方法筛选的结果更加合理；使用 UQ-PyL 率定的参数在 4 个流域应用中都表现良好，优化后模拟 结果的纳什效率系数均在 0.55 以上，收敛次数在 550 次以内；在 4 个流域的模拟中，UQ-PyL 能提供计算效率更高 的算法 ASMO，也能提供模拟结果更准确的算法 SCE。综上，与 SWAT 模型相耦合的 UQ-PyL 能够支持 SWAT 模 型用户在不同系统下对模型参数进行更高效的不确定性分析研究。     

基于狼群算法的水电站优化调度模型参数优选

以典型水电站优化调度模型为基础,先采用单因素分析法对狼群算法单参数的敏感性进行了分析评价,以算法寻优效果达到最优为目标,得出了参数的有效取值范围;再采用正交实验与极差分析方法,对狼群算法多参数的敏感性进行了综合分析,同理得出了参数变化的敏感性主次序和参数最佳取值组合。实例的验证结果表明,研究选取的参数取值范围和最佳取值组合有效地提升了算法的优化性能,为狼群算法应用于水电站优化调度提供了参数选择依据。     

基于系统微分响应的暴雨强度公式参数优化

暴雨强度公式参数的优化求解本质是一个高维非线性优化问题,目前常采用的优化求解方法是在以误差平方和为目标函数的基础上通过智能算法优化求解参数。为研究这类方法的合理性,通过随机抽样、参数空间网格化方法分析了常用暴雨强度公式参数求解方法的局限性,评价了常用智能算法的参数优化能力,进而提出了基于系统微分响应的暴雨强度公式参数优化方法。结果表明:以均方误差作为目标函数对非线性函数求解参数会增加额外参数解;在没有有效确定参数范围的情况下,随机抽样很难获得满足精度要求的参数样本,在有效确定参数范围后,目标函数的响应面上仍会存在无穷多个局部最优值,且很多局部最优的目标函数与全局最优近乎相同;以粒子群算法、SCE-UA算法为代表的随机搜索优化算法会因为参数初始取值范围过大、目标函数响应面局部最优参数解数量过多等问题而难以获得参数真值;提出的基于系统微分响应的暴雨强度公式参数优化方法能够快速寻找到参数真值,不仅效率高且能够避免陷入局部最优。     

改进的实数编码加速遗传算法在暴雨强度公式参数优化中的应用

针对城市暴雨强度公式参数识别时,传统求解方法(如牛顿迭代法、高斯-牛顿法等)存在间接拟合,而优化算法(如实数编码加速遗传算法、蚁群算法等)存在随机性,盲目地在一个区间内寻优拟合精度不高等问题,本文将两种方法结合,提出一种改进的实数编码加速遗传算法(RAGA),为暴雨强度公式参数识别提供一种新途径。该方法将传统求解方法所求的可行解作为改进遗传算法的初始参数,通过在每次代际寻优时设置各参数廊道约束来改进RAGA以提高算法搜索效率,直至公式拟合精度无法提高为止。将该方法应用于国内多地暴雨强度公式参数识别中以评估算法的有效性,结果表明此方法实用可行、搜索效率较高,可以快速收敛到最优解。实例表明该方法在暴雨强度公式参数识别中是实用有效的。     

基于PSO算法的电力系统优化研究

针对电力系统的无功功率优化问题,构建了多约束条件的目标函数。在电力系统的建模过程中,设定了电力系统的结构参数和负荷参数,并将设置负荷节点之间的电压越界参数、发电机无功越界参数设置为惩罚处置项;在PSO算法的设计中,设置了粒子状态、适应度函数以及惩罚权重参数。以具体结构的电力系统无功功率优化为实验对象,分别采用数学规划法、遗传算法和PSO算法进行优化。优化结果显示,PSO算法更能有效地降低电力系统的功率损耗,同时其收敛速度也最为理想。     

面板堆石坝瞬时变形和流变变形参数的联合反演

堆石坝变形包括瞬时弹塑性变形及时间相关的流变变形,从实际的监测变形中精确区分这两种变形有一定技术难度。本文将瞬时及流变变形参数的反演问题转化为一个组合优化问题,采用智能优化算法寻找最佳的堆石变形参数。研究中,首先拟定了多种变形参数样本,采用有限元法计算坝体变形;然后采用径向基神经网络训练上述样本,建立堆石变形参数与坝体变形之间的映射关系;最后根据坝体实际变形测量值,采用多种群遗传算法优化得到坝体瞬时及流变变形参数。采用径向基神经网络替代有限元可节省计算时间,提高计算效率;而多种群遗传优化算法可避免传统遗传算法早熟问题。用反演参数再次计算得到的水布垭坝体沉降与实测值吻合较好。