CN105930685B - 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 - Google Patents

Abstract

本发明公开了一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法。本发明采用支持向量机作为稀土矿区地下水氨氮浓度的预测模型，利用高斯人工蜂群算法来优化设计支持向量机的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε。在高斯人工蜂群算法中，将每个个体邻域中的优秀个体及其邻域中个体的平均值融合到高斯变异策略中产生新个体，并在侦察蜂过程中执行以最优个体为参考点的反向学习策略。本发明能够提高稀土矿区地下水氨氮浓度的预测精度。

Description

高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法

技术领域

本发明涉及地下水氨氮浓度预测领域，尤其是涉及一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法。

背景技术

稀土在现代科技发展中具有举足轻重的作用。在我国稀土资源中，南方地区富含离子型稀土资源。离子型稀土在工业生产中占有不可替代的地位。但是离子型稀土的开采过程中需要把大量的硫铵和碳铵注入到土层内部，而这些硫铵和碳铵会逐渐渗透到地下深处，从而污染地下水。为了控制离子型稀土矿区地下水的污染，就需要掌握地下水各项指标的动态变化规律。

氨氮是反映离子型稀土矿区地下水质的一项重要指标之一。然而，氨氮浓度的变化是一种非常复杂的过程，传统的水质模型往往难以有效地刻画其动态变化规律。近年来，许多研究人员采用智能计算方法来预测氨氮浓度的变化规律，并取得了一定的效果。例如，高艳萍等利用BP神经网络来预测养殖水体氨氮的浓度(高艳萍,周敏,姜凤娇.基于BP网络养殖水体氨氮预测模型及实现[J].农机化研究,2008(7):48-50.)。余伟等提出了一种基于多神经网络的污水氨氮预测方法(余伟,罗飞,杨红,等.基于多神经网络的污水氨氮预测模型[J].华南理工大学学报:自然科学版,2010,38(12):79-83.)。崔雪梅等利用随机遗传算法来优化设计LM-BP神经网络，并利用优化设计的神经网络来预测氨氮的浓度(崔雪梅,汪殿蓓,熊思.基于随机遗传算法的LM-BP模型的氨氮预测氨氮浓度[J].水利水电技术,2013,44(11):26-28.)。

已有的研究成果表明智能计算是预测氨氮浓度的一种可行方法。人工蜂群算法是一种新近提出的智能计算方法，它是一种模拟自然界中蜜蜂采蜜群体行为的一种仿生算法，并在很多领域中取得了成功的应用。但传统人工蜂群算法在稀土矿区地下水氨氮浓度的预测过程中往往存在着容易陷入局部最优，预测精度不高的缺点。

发明内容

本发明针对传统人工蜂群算法在稀土矿区地下水氨氮浓度预测时容易陷入局部最优，预测精度不高的缺点，提出一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法。本发明能够提高稀土矿区地下水氨氮浓度的预测精度。

本发明的技术方案：一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法，包括以下步骤：

步骤1，在需要预测的稀土矿区内连续MD天采集地下水样，并检测采集到地下水样的水质指标：水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮，将采集到的地下水质指标数据作为样本数据集；然后归一化处理所采集到的稀土矿区地下水质指标样本数据集，并将前70％设置为支持向量机的训练数据集，后30％设置为测试数据集；

步骤2，用户初始化参数，所述初始化参数包括预测跨度天数KD，种群大小Popsize，最大未更新次数Limit，邻域半径NK，最大评价次数MAX_FEs；

步骤3，当前演化代数t＝0，当前评价次数FEs＝0，并令支持向量机的优化设计参数个数D＝3；

步骤4，随机初始化种群其中：个体下标i＝1,2,...,Popsize，并且表示种群P_t中的第i个个体，其随机产生公式为：

其中维数下标j＝1,2,3；表示了支持向量机的3个优化设计参数的值，即为支持向量机的惩罚因子C，为支持向量机的径向基核参数g，为支持向量机的不敏感损失函数中参数ε；rand(0,1)表示在[0,1]之间产生随机实数的函数，LB_j和UB_j分别表示支持向量机的第j个优化设计参数的搜索下界和上界；

步骤5，计算种群P_t中每个个体的适应值其中个体下标i＝1,2,...,Popsize，个体的适应值的计算方法为：以个体作为支持向量机的训练参数，并利用训练数据集对支持向量机进行训练，其中支持向量机的输入变量为归一化的一天的稀土矿区地下水质指标数据：水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮；支持向量机的输出为归一化的KD天后的稀土矿区地下水氨氮浓度值；然后计算训练好的支持向量机在测试数据集上的均方误差ME_i，并令个体的适应值

步骤6，令种群P_t中所有个体的未更新次数其中个体下标i＝1,2,...,Popsize；

步骤7，令当前评价次数FEs＝FEs+Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，雇佣蜂执行其搜索操作；

步骤10，根据种群P_t中个体的适应值计算所有个体的选择概率；

步骤11，观察蜂根据种群P_t中每个个体的选择概率选择出个体执行高斯变异操作生成新个体，然后选择优秀个体进入下一代种群并计算个体的未更新次数，具体步骤如下：

步骤11.1，令计数器i＝1；

步骤11.2，根据种群P_t中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体

步骤11.3，令邻域下标RNI＝(SI-NK+Popsize)％Popsize，其中SI表示轮盘赌策略选择出个体的下标，％表示取余运算符；

步骤11.4，令邻域最优个体邻域均值个体并令计数器mt＝1；

步骤11.5，令邻域下标RNI＝(RNI+1)％Popsize；

步骤11.6，如果个体比RBest^t更优，则令否则保持RBest^t不变；

步骤11.7，令邻域均值个体然后令计数器mt＝mt+1；

步骤11.8，如果mt小于或等于NK×2，则转到步骤11.5，否则转到步骤11.9；

步骤11.9，令邻域均值个体RMean^t＝RMean^t/(NK×2+1)，然后在[1,D]之间随机产生一个正整数RDI；

步骤11.10，令随机权值RW＝rand(0,1)；

步骤11.11，令均值

步骤11.12，令标准差

步骤11.13，以GMean为均值，GSD为标准差产生一个高斯随机实数Val，如果Val的值超出了[LB_RDI,UB_RDI]之间的范围，则采用同样的方法重新产生高斯随机实数Val，直到Val的值不超出[LB_RDI,UB_RDI]之间的范围，然后令

步骤11.14，计算新个体U^t的适应值Fit(U^t)，然后在个体与新个体U^t之间选择优秀个体进入下一代种群，并计算个体的未更新次数

步骤11.15，令计数器i＝i+1；

步骤11.16，如果计数器i小于或等于Popsize，则转到步骤11.2，否则转到步骤12；

步骤12，令当前评价次数FEs＝FEs+Popsize×2；

步骤13，侦察蜂找出种群P_t中未更新次数最大的个体，并标记该个体为如果个体的未更新次数小于Limit，则转到步骤14，否则对个体执行以最优个体为参考点的反向学习策略，其中以最优个体为参考点的反向学习策略的具体步骤如下：

步骤13.1，令计数器j＝1；

步骤13.2，令反向个体

步骤13.3，令随机重建个体

步骤13.4，令其中Best^t为种群P_t中的最优个体；

步骤13.5，令RNB_j＝LB_j+rand(0,1)×(UB_j-LB_j)；

步骤13.6，令j＝j+1；

步骤13.7，如果j大于D则转到步骤13.8，否则转到步骤13.4；

步骤13.8，计算个体BRB和个体RNB的适应值，并令当前评价次数FEs＝FEs+2；

步骤13.9，令个体EXB为个体BRB和个体RNB两者之间的更优秀者；

步骤13.10，用个体EXB替换种群P中的个体然后转到步骤14；

步骤14，保存种群P_t中最优个体Best^t；

步骤15，令当前演化代数t＝t+1；

步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t作为支持向量机的训练参数，并用训练数据集来训练支持向量机，将归一化的一天的稀土矿区溪水指标数据：水温、pH、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮输入到训练好的支持向量机，计算支持向量机的输出即可预测稀土矿区地下水KD天后的氨氮浓度值。

本发明采用支持向量机作为稀土矿区地下水氨氮浓度的预测模型，利用高斯人工蜂群算法来优化设计支持向量机的惩罚因子C、径向基核参数g和不敏感损失函数中参数ε。在高斯人工蜂群算法中，将每个个体邻域中的优秀个体及其邻域中个体的平均值融合到高斯变异策略中产生新个体，并在侦察蜂过程中执行以最优个体为参考点的反向学习策略。本发明能够提高稀土矿区地下水氨氮浓度的预测精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

步骤1，确定需要预测的稀土矿区，并连续MD＝65天采集所确定的稀土矿区地下水样，并检测采集到地下水样的水质指标：水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮，将采集到的地下水质指标数据作为样本数据集；然后归一化处理所采集到的稀土矿区地下水质指标样本数据集，并将前70％设置为支持向量机的训练数据集，后30％设置为测试数据集；

步骤2，用户初始化参数，所述初始化参数包括预测跨度天数KD＝3，种群大小Popsize＝50，最大未更新次数Limit＝100，邻域半径NK＝5，最大评价次数MAX_FEs＝3000000；

步骤3，当前演化代数t＝0，当前评价次数FEs＝0，并令支持向量机的优化设计参数个数D＝3；

步骤4，随机初始化种群其中：个体下标i＝1,2,...,Popsize，并且表示种群P_t中的第i个个体，其随机产生公式为：

其中维数下标j＝1,2,3；表示了支持向量机的3个优化设计参数的值，即为支持向量机的惩罚因子C，为支持向量机的径向基核参数g，为支持向量机的不敏感损失函数中参数ε；rand(0,1)表示在[0,1]之间产生随机实数的函数，其中LB＝[0 0 0],UB＝[5000 1 1]，LB_j和UB_j分别表示支持向量机的第j个优化设计参数的搜索下界和上界；

步骤5，计算种群P_t中每个个体的适应值其中个体下标i＝1,2,...,Popsize，个体的适应值的计算方法为：以个体作为支持向量机的训练参数，并利用训练数据集对支持向量机进行训练，其中支持向量机的输入变量为归一化的一天的稀土矿区地下水质指标数据：水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮；支持向量机的输出为归一化的3天后的稀土矿区地下水氨氮浓度值；然后计算训练好的支持向量机在测试数据集上的均方误差ME_i，并令个体的适应值

步骤6，令种群P_t中所有个体的未更新次数其中个体下标i＝1,2,...,Popsize；

步骤7，令当前评价次数FEs＝FEs+Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，雇佣蜂执行其搜索操作；

步骤10，根据种群P_t中个体的适应值计算所有个体的选择概率；

步骤11，观察蜂根据种群P_t中每个个体的选择概率选择出个体执行高斯变异操作生成新个体，然后选择优秀个体进入下一代种群并计算个体的未更新次数，具体步骤如下：

步骤11.1，令计数器i＝1；

步骤11.2，根据种群P_t中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体

步骤11.3，令邻域下标RNI＝(SI-NK+Popsize)％Popsize，其中SI表示轮盘赌策略选择出个体的下标，％表示取余运算符；

步骤11.4，令邻域最优个体邻域均值个体并令计数器mt＝1；

步骤11.5，令邻域下标RNI＝(RNI+1)％Popsize；

步骤11.6，如果个体比RBest^t更优，则令否则保持RBest^t不变；

步骤11.7，令邻域均值个体然后令计数器mt＝mt+1；

步骤11.8，如果mt小于或等于NK×2，则转到步骤11.5，否则转到步骤11.9；

步骤11.9，令邻域均值个体RMean^t＝RMean^t/(NK×2+1)，然后在[1,D]之间随机产生一个正整数RDI；

步骤11.10，令随机权值RW＝rand(0,1)；

步骤11.11，令均值

步骤11.12，令标准差

步骤11.13，以GMean为均值，GSD为标准差产生一个高斯随机实数Val，如果Val的值超出了[LB_RDI,UB_RDI]之间的范围，则采用同样的方法重新产生高斯随机实数Val，直到Val的值不超出[LB_RDI,UB_RDI]之间的范围，然后令

步骤11.14，计算新个体U^t的适应值Fit(U^t)，然后在个体与新个体U^t之间选择优秀个体进入下一代种群，并计算个体的未更新次数

步骤11.15，令计数器i＝i+1；

步骤11.16，如果计数器i小于或等于Popsize，则转到步骤11.2，否则转到步骤12；

步骤12，令当前评价次数FEs＝FEs+Popsize×2；

步骤13，侦察蜂找出种群P_t中未更新次数最大的个体，并标记该个体为如果个体的未更新次数小于Limit，则转到步骤14，否则对个体执行以最优个体为参考点的反向学习策略，其中以最优个体为参考点的反向学习策略的具体步骤如下：

步骤13.1，令计数器j＝1；

步骤13.2，令反向个体

步骤13.3，令随机重建个体

步骤13.4，令其中Best^t为种群P_t中的最优个体；

步骤13.5，令RNB_j＝LB_j+rand(0,1)×(UB_j-LB_j)；

步骤13.6，令j＝j+1；

步骤13.7，如果j大于D则转到步骤13.8，否则转到步骤13.4；

步骤13.8，计算个体BRB和个体RNB的适应值，并令当前评价次数FEs＝FEs+2；

步骤13.9，令个体EXB为个体BRB和个体RNB两者之间的更优秀者；

步骤13.10，用个体EXB替换种群P_t中的个体然后转到步骤14；

步骤14，保存种群P_t中最优个体Best^t；

步骤15，令当前演化代数t＝t+1；

步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t作为支持向量机的训练参数，并用训练数据集来训练支持向量机，将归一化的一天的稀土矿区溪水指标数据：水温、pH、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮输入到训练好的支持向量机，计算支持向量机的输出即可预测稀土矿区地下水3天后的氨氮浓度值。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法，其特征在于：包括以下步骤：

步骤1，在需要预测的稀土矿区内连续MD天采集地下水样，并检测采集到地下水样的水质指标：水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮，将采集到的地下水质指标数据作为样本数据集；然后归一化处理所采集到的稀土矿区地下水质指标样本数据集，并将前70％设置为支持向量机的训练数据集，后30％设置为测试数据集；

步骤2，用户初始化参数，所述初始化参数包括预测跨度天数KD，种群大小Popsize，最大未更新次数Limit，邻域半径NK，最大评价次数MAX_FEs；

步骤3，当前演化代数t＝0，当前评价次数FEs＝0，并令支持向量机的优化设计参数个数D＝3；

步骤4，随机初始化种群其中：个体下标i＝1,2,...,Popsize，并且表示种群P_t中的第i个个体，其随机产生公式为：

<mrow> <msubsup> <mi>B</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msub> <mi>LB</mi> <mi>j</mi> </msub> <mo>+</mo> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msub> <mi>UB</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>LB</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

其中维数下标j＝1,2,3；表示了支持向量机的3个优化设计参数的值，即为支持向量机的惩罚因子C，为支持向量机的径向基核参数g，为支持向量机的不敏感损失函数中参数ε；rand(0,1)表示在[0,1]之间产生随机实数的函数，LB_j和UB_j分别表示支持向量机的第j个优化设计参数的搜索下界和上界；

步骤5，计算种群P_t中每个个体的适应值其中个体下标i＝1,2,...,Popsize，个体的适应值的计算方法为：以个体作为支持向量机的训练参数，并利用训练数据集对支持向量机进行训练，其中支持向量机的输入变量为归一化的一天的稀土矿区地下水质指标数据：水温、pH值、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮；支持向量机的输出为归一化的KD天后的稀土矿区地下水氨氮浓度值；然后计算训练好的支持向量机在测试数据集上的均方误差ME_i，并令个体的适应值

步骤6，令种群P_t中所有个体的未更新次数其中个体下标i＝1,2,...,Popsize；

步骤7，令当前评价次数FEs＝FEs+Popsize；

步骤8，保存种群P_t中的最优个体Best^t；

步骤9，雇佣蜂执行其搜索操作；

步骤10，根据种群P_t中个体的适应值计算所有个体的选择概率；

步骤11，观察蜂根据种群P_t中每个个体的选择概率选择出个体执行高斯变异操作生成新个体，然后选择优秀个体进入下一代种群并计算个体的未更新次数，具体步骤如下：

步骤11.1，令计数器i＝1；

步骤11.2，根据种群P_t中每个个体的选择概率采用轮盘赌策略选择出个体并令新个体

步骤11.3，令邻域下标RNI＝(SI-NK+Popsize)％Popsize，其中SI表示轮盘赌策略选择出个体的下标，％表示取余运算符；

步骤11.4，令邻域最优个体邻域均值个体并令计数器mt＝1；

步骤11.5，令邻域下标RNI＝(RNI+1)％Popsize；

步骤11.6，如果个体比RBest ^t更优，则令否则保持RBest^t不变；

步骤11.7，令邻域均值个体然后令计数器mt＝mt+1；

步骤11.8，如果mt小于或等于NK×2，则转到步骤11.5，否则转到步骤11.9；

步骤11.9，令邻域均值个体RMean^t＝RMean^t/(NK×2+1)，然后在[1,D]之间随机产生一个正整数RDI；

步骤11.10，令随机权值RW＝rand(0,1)；

步骤11.11，令均值

步骤11.12，令标准差

步骤11.13，以GMean为均值，GSD为标准差产生一个高斯随机实数Val，如果Val的值超出了[LB_RDI,UB_RDI]之间的范围，则采用同样的方法重新产生高斯随机实数Val，直到Val的值不超出[LB_RDI,UB_RDI]之间的范围，然后令

步骤11.14，计算新个体U^t的适应值Fit(U^t)，然后在个体与新个体U^t之间选择优秀个体进入下一代种群，并计算个体的未更新次数

步骤11.15，令计数器i＝i+1；

步骤11.16，如果计数器i小于或等于Popsize，则转到步骤11.2，否则转到步骤12；

步骤12，令当前评价次数FEs＝FEs+Popsize×2；

步骤13，侦察蜂找出种群P_t中未更新次数最大的个体，并标记该个体为如果个体的未更新次数小于Limit，则转到步骤14，否则对个体执行以最优个体为参考点的反向学习策略，其中以最优个体为参考点的反向学习策略的具体步骤如下：

步骤13.1，令计数器j＝1；

步骤13.2，令反向个体

步骤13.3，令随机重建个体

步骤13.4，令其中Best ^t为种群P_t中的最优个体；

步骤13.5，令RNB_j＝LB_j+rand(0,1)×(UB_j-LB_j)；

步骤13.6，令j＝j+1；

步骤13.7，如果j大于D则转到步骤13.8，否则转到步骤13.4；

步骤13.8，计算个体BRB和个体RNB的适应值，并令当前评价次数FEs＝FEs+2；

步骤13.9，令个体EXB为个体BRB和个体RNB两者之间的更优秀者；

步骤13.10，用个体EXB替换种群P_t中的个体然后转到步骤14；

步骤14，保存种群P_t中最优个体Best^t；

步骤15，令当前演化代数t＝t+1；

步骤16，重复步骤9至步骤15直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Best^t作为支持向量机的训练参数，并用训练数据集来训练支持向量机，将归一化的一天的稀土矿区溪水指标数据：水温、pH、亚硝酸盐氮、硝酸盐氮、总氮、溶解氧、五日生化需氧量、氨氮输入到训练好的支持向量机，计算支持向量机的输出即可预测稀土矿区地下水KD天后的氨氮浓度值。