CN108304675A - 基于适应性策略差分演化的水质模型参数辨识方法 - Google Patents

基于适应性策略差分演化的水质模型参数辨识方法 Download PDF

Info

Publication number
CN108304675A
CN108304675A CN201810164309.2A CN201810164309A CN108304675A CN 108304675 A CN108304675 A CN 108304675A CN 201810164309 A CN201810164309 A CN 201810164309A CN 108304675 A CN108304675 A CN 108304675A
Authority
CN
China
Prior art keywords
individual
factor
water quality
enabled
quality model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810164309.2A
Other languages
English (en)
Inventor
刘友存
郭肇禄
赵奎
尹宝勇
刘燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201810164309.2A priority Critical patent/CN108304675A/zh
Publication of CN108304675A publication Critical patent/CN108304675A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于适应性策略差分演化的水质模型参数辨识方法，它利用适应性策略差分演化算法来辨识水质模型的参数，在适应性策略差分演化算法中，融合了基于随机个体的变异策略、基于最优个体的变异策略和均值变异策略，并根据当前的演化状态自动地调整策略因子，适应性地选择合适的变异策略，实现多种搜索策略的优势互补，降低陷入局部最优的可能性，本发明提高了水质模型参数辨识的精度。

Description

基于适应性策略差分演化的水质模型参数辨识方法
技术领域
本发明涉及水质建模领域，尤其是涉及一种基于适应性策略差分演化的水质模型参数辨识方法。
背景技术
水质模型是描述自然界中水质变化规律的数学模型。在水质工程实践中，人们常常需要对特定区域的水体建立水质模型，从而实现对水质变化趋势的预测和控制。水质模型参数是水体的物理、化学和生物等性质的客观反映。水质模型参数的辨识对于掌握水质变化规律具有非常重要的作用。
水质模型参数的辨识是一个复杂优化问题，它的优化目标函数常常呈现出不连续、不可导的性质。因此，传统方法难以有效地辨识出水质模型的参数。针该问题，研究人员提出基于演化算法的水质模型参数辨识方法。演化算法具有自学习、自适应等优点，它在求解许多目标函数不连续、不可导的复杂优化问题中表现出非常优越的性能。
差分演化算法是一种非常有潜力的演化算法，它在解决许多目标函数不连续、不可导的复杂优化问题中获得了比较满意的结果。但传统差分演化算法在求解水质模型参数辨识问题时容易陷入局部最优，出现辨识精度不高的缺点。
发明内容
本发明的目的是提供一种基于适应性策略差分演化的水质模型参数辨识方法，它在很大程度上克服了传统差分演化算法应用于水质模型参数辨识时容易陷入局部最优，出现辨识精度不高的缺点，本发明能够降低陷入局部最优的可能性，提高水质模型参数辨识的精度。
本发明的技术方案：一种基于适应性策略差分演化的水质模型参数辨识方法，包括以下步骤：
步骤1，选择水质模型，并确定水质模型的待辨识参数以及待辨识参数的个数D；然后通过实验采集水质模型的样本数据，包括水质模型的实验输入值和实验输出值；
步骤2，设置种群规模Popsize；
步骤3，设置最大代数MaxT；
步骤4，令当前演化代数t＝0；
步骤5，令杂交率Cri t＝0.9，缩放因子Fi t＝0.5，策略因子其中下标i＝1,2,...,Popsize；
步骤6，随机初始化种群中的Popsize个个体，其中种群中每个体存储了水质模型的D个待辨识参数值；
步骤7，根据采集的样本数据计算种群中每个个体的适应值，然后保存种群中的最优个体Bestt；
步骤8，令计数器bi＝1；
步骤9，如果计数器bi大于种群规模Popsize，则转到步骤18，否则转到步骤10；
步骤10，利用混沌映射生成校正因子IW，具体如下：
步骤10.1，随机产生一个[Popsize，Popsize×2]之间的正整数IN；
步骤10.2，随机产生一个[0，1]之间的实数pr；
步骤10.3，令校正因子IW＝pr，并令计数器mt＝1；
步骤10.4，如果计数器mt大于IN，则转到步骤10.9，否则转到步骤10.5；
步骤10.5，令中间变量fv＝IW；
步骤10.6，令校正因子IW＝fv×sin(fv×π)，其中sin为正弦函数，π为圆周率；
步骤10.7，令计数器mt＝mt+1；
步骤10.8，转到步骤10.4；
步骤10.9，令fv＝IW，然后令IW＝0.8+0.2×fv；
步骤11，按公式(1)计算当前杂交率NCrbi、当前缩放因子NFbi和当前策略因子NMubi：
其中rand为均匀随机实数产生函数；
步骤12，执行适应性策略差分变异算子产生变异个体具体如下：
步骤12.1，判断当前策略因子NMubi的值是否处于[0，0.333]区间，若是则转到步骤12.3，否则转到步骤12.2；
步骤12.2，判断当前策略因子NMubi的值是否处于(0.333，0.667]区间，若是则转到步骤12.5，否则转到步骤12.7；
步骤12.3，按公式(2)执行基于随机个体的变异策略生成变异个体
其中和为从种群中随机选择出来的三个个体，并且满足不等于
步骤12.4，转到步骤13；
步骤12.5，按公式(3)执行基于最优个体的变异策略生成变异个体
步骤12.6，转到步骤13；
步骤12.7，按公式(4)执行均值变异策略生成变异个体
其中为种群中的第个bi个体，RM为惯性因子，WM为均值因子，XMean为种群中所有个体的平均值；
步骤13，根据当前杂交率NCrbi基于变异个体和个体执行差分演化的杂交算子生成试验个体
步骤14，计算试验个体的适应值；
步骤15，执行差分演化的选择算子；
步骤16，如果优于则令杂交率然后令缩放因子并令策略因子否则保持杂交率缩放因子和策略因子不变；
步骤17，令计数器bi＝bi+1，然后转到步骤9；
步骤18，令当前演化代数t＝t+1；
步骤19，保存种群中的最优个体Bestt；
步骤20，重复步骤8至步骤19直至当前演化代数达到最大代数后结束，执行过程中得到的最优个体Bestt即为水质模型参数的辨识结果。
本发明利用适应性策略差分演化算法来辨识水质模型的参数，在适应性策略差分演化算法中，融合了基于随机个体的变异策略、基于最优个体的变异策略和均值变异策略，并根据当前的演化状态自动地调整策略因子，适应性地选择合适的变异策略，实现多种搜索策略的优势互补，降低陷入局部最优的可能性，提高水质模型参数辨识的精度。
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的说明。
实施例：
本实施例基于文献[袁君,陈贝,朱光灿.采用混沌粒子群优化算法的水质模型参数辨识[J].东南大学学报(自然科学版),2009,39(5):1018-1022]中的河流水质模型参数辨识问题为例，结合图1所示的流程图，具体步骤如下：
步骤1，选择多宾斯-坎普(Dobbins-Camp)BOD-DO水质模型，并确定水质模型的待辨识参数以及待辨识参数的个数D＝5；然后通过实验采集水质模型的样本数据，包括水质模型的实验输入值和实验输出值；
步骤2，设置种群规模Popsize＝50；
步骤3，设置最大代数MaxT＝3000；
步骤4，令当前演化代数t＝0；
步骤5，令杂交率Cri t＝0.9，缩放因子Fi t＝0.5，策略因子其中下标i＝1,2,...,Popsize；
步骤6，随机初始化种群中的Popsize个个体，其中种群中每个体存储了水质模型的D个待辨识参数值；
步骤7，根据采集的样本数据计算种群中每个个体的适应值，然后保存种群中的最优个体Bestt；
步骤8，令计数器bi＝1；
步骤9，如果计数器bi大于种群规模Popsize，则转到步骤18，否则转到步骤10；
步骤10，利用混沌映射生成校正因子IW，具体如下：
步骤10.1，随机产生一个[Popsize，Popsize×2]之间的正整数IN；
步骤10.2，随机产生一个[0，1]之间的实数pr；
步骤10.3，令校正因子IW＝pr，并令计数器mt＝1；
步骤10.4，如果计数器mt大于IN，则转到步骤10.9，否则转到步骤10.5；
步骤10.5，令中间变量fv＝IW；
步骤10.6，令校正因子IW＝fv×sin(fv×π)，其中sin为正弦函数，π为圆周率；
步骤10.7，令计数器mt＝mt+1；
步骤10.8，转到步骤10.4；
步骤10.9，令fv＝IW，然后令IW＝0.8+0.2×fv；
步骤11，按公式(1)计算当前杂交率NCrbi、当前缩放因子NFbi和当前策略因子NMubi：
其中rand为均匀随机实数产生函数；
步骤12，执行适应性策略差分变异算子产生变异个体具体如下：
步骤12.1，判断当前策略因子NMubi的值是否处于[0，0.333]区间，若是则转到步骤12.3，否则转到步骤12.2；
步骤12.2，判断当前策略因子NMubi的值是否处于(0.333，0.667]区间，若是则转到步骤12.5，否则转到步骤12.7；
步骤12.3，按公式(2)执行基于随机个体的变异策略生成变异个体
其中和为从种群中随机选择出来的三个个体，并且满足不等于
步骤12.4，转到步骤13；
步骤12.5，按公式(3)执行基于最优个体的变异策略生成变异个体
步骤12.6，转到步骤13；
步骤12.7，按公式(4)执行均值变异策略生成变异个体
其中为种群中的第个bi个体，RM为惯性因子，WM为均值因子，XMean为种群中所有个体的平均值；
步骤13，根据当前杂交率NCrbi基于变异个体和个体执行差分演化的杂交算子生成试验个体
步骤14，计算试验个体的适应值；
步骤15，执行差分演化的选择算子；
步骤16，如果优于则令杂交率然后令缩放因子并令策略因子否则保持杂交率缩放因子和策略因子不变；
步骤17，令计数器bi＝bi+1，然后转到步骤9；
步骤18，令当前演化代数t＝t+1；
步骤19，保存种群中的最优个体Bestt；
步骤20，重复步骤8至步骤19直至当前演化代数达到最大代数后结束，执行过程中得到的最优个体Bestt即为水质模型参数的辨识结果。
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)

1.一种基于适应性策略差分演化的水质模型参数辨识方法，其特征在于，包括以下步骤：
步骤1，选择水质模型，并确定水质模型的待辨识参数以及待辨识参数的个数D；然后通过实验采集水质模型的样本数据，包括水质模型的实验输入值和实验输出值；
步骤2，设置种群规模Popsize；
步骤3，设置最大代数MaxT；
步骤4，令当前演化代数t＝0；
步骤5，令杂交率Cri t＝0.9，缩放因子Fi t＝0.5，策略因子其中下标i＝1,2,...,Popsize；
步骤6，随机初始化种群中的Popsize个个体，其中种群中每个体存储了水质模型的D个待辨识参数值；
步骤7，根据采集的样本数据计算种群中每个个体的适应值，然后保存种群中的最优个体Bestt；
步骤8，令计数器bi＝1；
步骤9，如果计数器bi大于种群规模Popsize，则转到步骤18，否则转到步骤10；
步骤10，利用混沌映射生成校正因子IW，具体如下：
步骤10.1，随机产生一个[Popsize，Popsize×2]之间的正整数IN；
步骤10.2，随机产生一个[0，1]之间的实数pr；
步骤10.3，令校正因子IW＝pr，并令计数器mt＝1；
步骤10.4，如果计数器mt大于IN，则转到步骤10.9，否则转到步骤10.5；
步骤10.5，令中间变量fv＝IW；
步骤10.6，令校正因子IW＝fv×sin(fv×π)，其中sin为正弦函数，π为圆周率；
步骤10.7，令计数器mt＝mt+1；
步骤10.8，转到步骤10.4；
步骤10.9，令fv＝IW，然后令IW＝0.8+0.2×fv；
步骤11，按公式(1)计算当前杂交率NCrbi、当前缩放因子NFbi和当前策略因子NMubi：
其中rand为均匀随机实数产生函数；
步骤12，执行适应性策略差分变异算子产生变异个体具体如下：
步骤12.1，判断当前策略因子NMubi的值是否处于[0，0.333]区间，若是则转到步骤12.3，否则转到步骤12.2；
步骤12.2，判断当前策略因子NMubi的值是否处于(0.333，0.667]区间，若是则转到步骤12.5，否则转到步骤12.7；
步骤12.3，按公式(2)执行基于随机个体的变异策略生成变异个体
其中和为从种群中随机选择出来的三个个体，并且满足不等于
步骤12.4，转到步骤13；
步骤12.5，按公式(3)执行基于最优个体的变异策略生成变异个体
步骤12.6，转到步骤13；
步骤12.7，按公式(4)执行均值变异策略生成变异个体
其中为种群中的第个bi个体，RM为惯性因子，WM为均值因子，XMean为种群中所有个体的平均值；
步骤13，根据当前杂交率NCrbi基于变异个体和个体执行差分演化的杂交算子生成试验个体
步骤14，计算试验个体的适应值；
步骤15，执行差分演化的选择算子；
步骤16，如果优于则令杂交率然后令缩放因子并令策略因子否则保持杂交率缩放因子和策略因子不变；
步骤17，令计数器bi＝bi+1，然后转到步骤9；
步骤18，令当前演化代数t＝t+1；
步骤19，保存种群中的最优个体Bestt；
步骤20，重复步骤8至步骤19直至当前演化代数达到最大代数后结束，执行过程中得到的最优个体Bestt即为水质模型参数的辨识结果。
CN201810164309.2A 2018-02-28 2018-02-28 基于适应性策略差分演化的水质模型参数辨识方法 Pending CN108304675A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810164309.2A CN108304675A (zh) 2018-02-28 2018-02-28 基于适应性策略差分演化的水质模型参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810164309.2A CN108304675A (zh) 2018-02-28 2018-02-28 基于适应性策略差分演化的水质模型参数辨识方法

Publications (1)

Publication Number Publication Date
CN108304675A true CN108304675A (zh) 2018-07-20

Family

ID=62848946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810164309.2A Pending CN108304675A (zh) 2018-02-28 2018-02-28 基于适应性策略差分演化的水质模型参数辨识方法

Country Status (1)

Country Link
CN (1) CN108304675A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110231356A1 (en) * 2009-07-01 2011-09-22 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
CN103489337A (zh) * 2013-09-26 2014-01-01 北京航空航天大学 一种基于改进的局部搜索策略的空中交通流量调控方法
CN104462759A (zh) * 2014-11-04 2015-03-25 江西理工大学 基于反向精简差分演化算法的水质模型参数识别方法
CN105760929A (zh) * 2016-03-11 2016-07-13 浙江工业大学 一种基于dfp算法和差分进化的分层全局优化方法
CN106600563A (zh) * 2016-12-23 2017-04-26 江西理工大学 基于局部搜索差分演化的图像增强方法
CN107590603A (zh) * 2017-09-11 2018-01-16 合肥工业大学 基于改进变邻域搜索和差分进化算法的调度方法及系统
CN107609668A (zh) * 2017-07-24 2018-01-19 浙江工业大学 一种基于抽象凸自适应策略的生产排产调度优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110231356A1 (en) * 2009-07-01 2011-09-22 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
CN103489337A (zh) * 2013-09-26 2014-01-01 北京航空航天大学 一种基于改进的局部搜索策略的空中交通流量调控方法
CN104462759A (zh) * 2014-11-04 2015-03-25 江西理工大学 基于反向精简差分演化算法的水质模型参数识别方法
CN105760929A (zh) * 2016-03-11 2016-07-13 浙江工业大学 一种基于dfp算法和差分进化的分层全局优化方法
CN106600563A (zh) * 2016-12-23 2017-04-26 江西理工大学 基于局部搜索差分演化的图像增强方法
CN107609668A (zh) * 2017-07-24 2018-01-19 浙江工业大学 一种基于抽象凸自适应策略的生产排产调度优化方法
CN107590603A (zh) * 2017-09-11 2018-01-16 合肥工业大学 基于改进变邻域搜索和差分进化算法的调度方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NURUL AINI JAMIL,ET AL: "Self-Adaptive Differential Evolution Based on Best and Mean Schemes", 《2015 IEEE INTERNATIONAL CONFERENCE ON CONTROL SYSTEM, COMPUTING AND ENGINEERING》 *
刘鹏: "多目标差分进化算法的改进研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王久杰: "改进的混沌差分进化算法及其应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Similar Documents

Publication Publication Date Title
CN104778448B (zh) 一种基于结构自适应卷积神经网络的人脸识别方法
CN108460548B (zh) 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
CN112700060B (zh) 站所终端负荷预测方法和预测装置
CN108304489A (zh) 一种基于强化学习网络的目标引导型个性化对话方法与系统
CN104462759B (zh) 基于反向精简差分演化算法的水质模型参数识别方法
CN107292391B (zh) 基于de和l-bfgs-b混合算法的柔性化车间任务调度优化方法
CN111598210B (zh) 面向基于人工免疫算法对抗攻击的对抗防御方法
CN103177155B (zh) 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法
JP2002324225A (ja) 戦略パラメータの最適化方法
CN105974799A (zh) 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法
CN110827299B (zh) 一种基于哈里斯鹰优化算法的图像分割方法
CN104123706A (zh) 一种基于自适应免疫遗传算法的图像增强方法
CN110569957A (zh) 一种基于人工蜂群算法的优化方法
CN108154235A (zh) 一种图像问答推理方法、系统及装置
CN110298060A (zh) 一种基于改进自适应遗传算法的间冷燃气轮机状态空间模型辨识方法
CN108171241A (zh) 基于IFCS/Otsu的IOFR火焰识别方法
CN107609668A (zh) 一种基于抽象凸自适应策略的生产排产调度优化方法
CN109784497A (zh) 基于计算图进化的ai模型自动生成的方法
CN110399917B (zh) 一种基于超参数优化cnn的图像分类方法
Masrom et al. Hybridization of particle swarm optimization with adaptive genetic algorithm operators
CN117290721A (zh) 数字孪生建模方法、装置、设备及介质
CN107507199A (zh) 一种图像分割方法及系统
CN108304675A (zh) 基于适应性策略差分演化的水质模型参数辨识方法
CN106779083A (zh) 基于混沌反向策略的蜂群改进算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180720