CN114637962B - 海洋数值预报产品验证方法、系统、电子设备及存储介质 - Google Patents

海洋数值预报产品验证方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114637962B
CN114637962B CN202210536520.9A CN202210536520A CN114637962B CN 114637962 B CN114637962 B CN 114637962B CN 202210536520 A CN202210536520 A CN 202210536520A CN 114637962 B CN114637962 B CN 114637962B
Authority
CN
China
Prior art keywords
matrix
weight parameter
application
parameter matrix
evaluation
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.)
Active
Application number
CN202210536520.9A
Other languages
English (en)
Other versions
CN114637962A (zh
Inventor
王永刚
任鹏
魏泽勋
王建
徐晓庆
吕新荣
李鹏
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202210536520.9A priority Critical patent/CN114637962B/zh
Publication of CN114637962A publication Critical patent/CN114637962A/zh
Application granted granted Critical
Publication of CN114637962B publication Critical patent/CN114637962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明提出一种海洋数值预报产品验证方法、系统、电子设备及存储介质，涉及海洋数值预报领域。其中，方法包括：基于产品预报和观测数据计算产品误差矩阵；基于应用评估得分数据计算应用评价矩阵；构造需求权重矩阵并通过智能优化算法求取需求权重矩阵中的权重参数；基于求得的需求权重针对应用场景进行预报产品验证评价。本发明根据多种应用场景设置需求权重对海洋数值预报产品误差进行加权，并且自适应调整不同验证指标的权重系数，从而能够结合特定需求对预报产品给出合理的评价。

Description

海洋数值预报产品验证方法、系统、电子设备及存储介质
技术领域
本发明属于海洋数值预报领域，尤其涉及海洋数值预报产品验证方法、系统、电子设备及存储介质。
背景技术
目前海洋数值预报产品多采用单一标准进行验证评价，在面对多应用场景时缺乏权重合理、指标全面、结构统一的验证方法。但由于不同的应用场景及用户，对形式类别多样的温、盐、流等要素的准确度要求不尽相同，因此综合考虑用户需求，根据航海保障、远洋捕捞、海上工程等多元应用场景下数值预报产品的特征，自适应调整验证要素、指标类型和不同验证指标的权重系数非常重要的。
通过设计权重合理的自适应验证方法，从而实现对不同用户和产品按需生成验证方案、精准输出验证结果，达到验证评估系统“多方面量化考虑，统一化输出标准”的效果，有助于提升我国海洋数值预报产品业务化运行的综合验证和服务评价水平。
发明内容
为解决上述技术问题，本发明提出一种海洋数值预报产品验证方法、系统、电子设备及存储介质的技术方案，以解决上述技术问题。
本发明第一方面公开了一种海洋数值预报产品验证方法，所述方法包括：
步骤S1、根据产品预报和观测数据，计算产品误差矩阵E；
步骤S2、基于应用场景的评价得分数据，计算应用评价矩阵G；
步骤S3、构造需求权重参数矩阵W和需求权重参数矩阵约束条件；
步骤S4、基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型；
步骤S5、根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure GDA0003739945500000021
步骤S6、将所述优化的需求权重参数矩阵
Figure GDA0003739945500000022
与产品误差矩阵E相乘，得到针对应用场景的预报产品验证评价得分。
根据本发明第一方面的方法，在所述步骤S2中，所述基于应用场景的评价得分数据，计算应用评价矩阵G的具体方法包括：
设定应用评价向量g，对于M个应用场景，其形式如下：
g＝[-ln(s1)，-ln(s2)，…，-ln(sm)，…，-ln(sM)]′
构造包含T组评价向量的应用评价矩阵G，形式如下：
G＝(g1，g2，g3，…，gT)
其中，
sm为第m类应用场景的评估得分。
根据本发明第一方面的方法，在所述步骤S3中，所述需求权重参数矩阵W的结构为M行N列矩阵。
根据本发明第一方面的方法，在所述步骤S3中，所述需求权重参数矩阵约束条件包括：
所述需求权重参数矩阵中的每一行的和为1；
需求权重参数矩阵W×产品误差矩阵E＝应用评价矩阵G。
根据本发明第一方面的方法，在所述步骤S4中，所述需求权重参数矩阵计算模型的具体公式为：
Figure GDA0003739945500000023
其中，
Figure GDA0003739945500000031
为寻找最小评分的参量函数；
Figure GDA0003739945500000032
||·||1表示1范数，||·||2表示2范数。
根据本发明第一方面的方法，在所述步骤S5中，所述根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数的具体方法包括：
设定需求权重参数矩阵
Figure GDA0003739945500000033
应用评价矩阵
Figure GDA0003739945500000034
其中wm代表了第m个应用下N个产品对应的需求权重参数，gm代表第m个应用场景下的评估得分；
使用w来表示第m个应用场景下对应的权重wm，求取w的目标函数采用如下形式：
Figure GDA0003739945500000035
其中，
μ为罚因子，超参数。
根据本发明第一方面的方法，在所述步骤S5中，所述智能优化算法搜索的具体方法为协同天牛群智能优化算法，具体方法包括：
步骤S51、初始化参变量。参数包括：种群中包含的天牛个体的数量I，天牛每次移动的步长δ，天牛个体两个天牛须之间的距离d，天牛总更新代数K，天牛个体位置向量维度N，个体位置向量的分组数J。变量包括：种群中每个天牛个体的位置wi，即需求权重参数；种群速度vi，(i∈[1,I])。
步骤S52、设定
Figure GDA0003739945500000041
为第j组最优位置分量(j∈[1,J])，并初始化各组的最优位置分量
Figure GDA0003739945500000042
当前更新代数k小于设置的总更新代数K时：对于种群所有个体第j组分量[w1|jw2|j…wi|j…wI|j](j∈[1,J])，采用天牛群算法对该组的最优位置分量
Figure GDA0003739945500000043
进行更新。
其中对于第i个天牛个体的第j组位置分量wi|j的适应度评价形式为：f(b(j，wi|j))；其中，
Figure GDA0003739945500000044
第i个天牛个体的第j组位置分量元素更新公式中的迭代因子λ的取值采用指数递增的形式：
Figure GDA0003739945500000045
其中，λMax为超参数；
步骤S53、通过步骤S52的迭代计算，得到种群最终搜索到的最优位置，即：
Figure GDA0003739945500000051
本发明第二方面公开了一种海洋数值预报产品验证系统，所述系统包括：
第一处理模块，被配置为，根据产品预报和观测数据，计算产品误差矩阵E；
第二处理模块，被配置为，基于应用场景的评价得分数据，计算应用评价矩阵G；
第三处理模块，被配置为，构造需求权重参数矩阵W和需求权重参数矩阵约束条件；
第四处理模块，被配置为，基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型；
第五处理模块，被配置为，根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure GDA0003739945500000052
第六处理模块，被配置为，将所述优化的需求权重参数矩阵
Figure GDA0003739945500000053
与产品误差矩阵E相乘，得到针对应用场景的预报产品的验证评价得分。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种海洋数值预报产品验证方法中的步骤。
本发明第四方面公开了一种存储介质。存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种海洋数值预报产品验证方法中的步骤。
本发明提出的方案，根据多种应用场景设置需求权重对海洋数值预报产品误差进行加权，从而能够结合特定需求对预报产品给出合理评价，实现了面向应用场景的自适应海洋数值预报产品验证。相比于目前海洋数值预报产品的单一评价方法，本发明能够自适应调整不同验证指标的权重系数，对不同应用场景和产品按需生成评价方案，使评价结果更加具有针对性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种海洋数值预报产品验证方法的流程图；
图2a为根据本发明实施例的矩阵之间的运算关系图中需求权重参数矩阵W×产品误差矩阵E的示意图；
图2b为根据本发明实施例的矩阵之间的运算关系图中得到应用评价矩阵G的示意图；
图3a为根据本发明实施例的协同天牛群算法中天牛位置协同操作示意图等式左边的内容；
图3b为根据本发明实施例的协同天牛群算法中天牛位置协同操作示意图等式右边的内容；
图4为根据本发明实施例的适应度评价函数随算法迭代次数的变化曲线；
图5为根据本发明实施例的针对应用场景的预报产品验证评价得分和检验数据验证评价得分的相对误差曲线；
图6为根据本发明实施例的一种海洋数值预报产品验证系统的结构图；
图7为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种海洋数值预报产品验证方法。图1为根据本发明实施例的一种海洋数值预报产品验证方法的流程图，如图1所示，所述方法包括：
步骤S1、根据产品预报和观测数据，计算产品误差矩阵E；
步骤S2、基于应用场景的评价得分数据，计算应用评价矩阵G；
步骤S3、构造需求权重参数矩阵W和需求权重参数矩阵约束条件；
步骤S4、基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型；
步骤S5、根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure GDA0003739945500000071
步骤S6、将所述优化的需求权重参数矩阵
Figure GDA0003739945500000072
与产品误差矩阵E相乘，得到针对应用场景的预报产品的验证评价得分。
在步骤S1，根据产品预报和观测数据，计算产品误差矩阵E。
具体地，设定产品误差向量e，形式如下：
e＝(e产品1，e产品2，…，e产品n，…，e产品N)′
式中，e产品n为海洋数值预报产品中第n个产品的归一化误差值，误差向量e中包含所要验证评价的N个海洋数值预报产品的误差数据。
构造产品误差矩阵E，形式如下：
E＝(e1，e2，e3，…，eT)
E为N行T列的矩阵，其中包含T组产品误差向量。
在步骤S2，基于应用场景的评价得分数据，计算应用评价矩阵G。
在一些实施例中，在所述步骤S2中，所述基于应用场景的评价得分数据，计算应用评价矩阵G的具体方法包括：
设定应用评价向量g，对于M个应用场景，其形式如下：
g＝[-ln(s1)，-ln(s2)，…，-ln(sm)，…，-ln(sM)]′
构造包含T组评价向量的应用评价矩阵G，形式如下：
G＝(g1，g2，g3，…，gT)
其中，
sm为第m类应用场景的评估得分，sm越大则第m类应用场景对于预报产品的评价越好。
在步骤S3，构造需求权重参数矩阵W和需求权重参数矩阵约束条件。
在一些实施例中，在所述步骤S3中，所述需求权重参数矩阵W的结构为M行N列矩阵。
所述需求权重参数矩阵约束条件包括：
所述需求权重参数矩阵中的每一行的和为1；
需求权重参数矩阵W×产品误差矩阵E＝应用评价矩阵G。
具体地，为使得预报产品误差与应用评价之间的权值相对应，构造的需求权重矩阵W为M行N列矩阵。为使各预报产品误差对应的权值具有统一性，设定W中的每一行加和为1，即对于任意的m皆有：
wm1+wmm2+…+wmn+…+wmN＝1
特定应用场景m对某项预报产品n需求越大，则W中该预报产品误差对应的需求权重wmn越大，该产品误差的影响也随之更加凸显；
需求权重矩阵W满足：WE＝G。第m类应用场景的评价得分sm满足计算公式：
sm＝exp(-wm1e产品1-wm2e产品2-…-wmne产品n-…-wmNe产品N)
矩阵之间的运算关系如图2a-图2b所示，图2a为根据本发明实施例的矩阵之间的运算关系图中需求权重参数矩阵W×产品误差矩阵E的示意图；图2b为根据本发明实施例的矩阵之间的运算关系图中得到应用评价矩阵G的示意图；图2a的图2b的内容分别为等式左右两边的内容。
在步骤S4，基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型。
在一些实施例中，在所述步骤S4中，所述需求权重参数矩阵计算模型的具体公式为：
Figure GDA0003739945500000091
其中，
Figure GDA0003739945500000092
为寻找最小评分的参量函数；
Figure GDA0003739945500000093
||·||1表示1范数，||·||2表示2范数。
在步骤S5，根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure GDA0003739945500000094
在一些实施例中，在所述步骤S5中，所述根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数的具体方法包括：
设定需求权重参数矩阵
Figure GDA0003739945500000101
应用评价矩阵
Figure GDA0003739945500000102
其中wm代表了第m个应用下N个产品对应的需求权重参数，gm代表第m个应用场景下的评估得分；
使用w来表示第m个应用场景下对应的权重wm，求取w的目标函数采用如下形式：
Figure GDA0003739945500000103
其中，
μ为罚因子，超参数，可将其设置为一个较大的数以实现对变量的约束。求解过程转换为对目标函数的寻优过程，理论上当目标函数f(w)取值为零时达到最优，此时取得的权重值w即为最优解。
在一些实施例中，在所述步骤S5中，所述智能优化算法搜索的具体方法为协同天牛群智能优化算法，具体方法包括：
步骤S51、初始化参变量。参数包括：种群中包含的天牛个体的数量I，天牛每次移动的步长δ，天牛个体两个天牛须之间的距离d，天牛总更新代数K，天牛个体位置向量维度N，个体位置向量的分组数J。变量包括：种群中每个天牛个体的位置wi，即需求权重参数；种群速度vi，(i∈[1,I])。
步骤S52、设定
Figure GDA0003739945500000104
为第j组最优位置分量(j∈[1,J])，并初始化各组的最优位置分量
Figure GDA0003739945500000111
当前更新代数k小于设置的总更新代数K时：对于种群所有个体第j组分量[w1|jw2|j…wi|j…wI|j] (j∈[1,J])，采用天牛群算法对该组的最优位置分量
Figure GDA0003739945500000112
进行更新。
其中对于第i个天牛个体的第j组位置分量wi|j的适应度评价形式为：f(b(j，wi|j))；其中，
Figure GDA0003739945500000113
第i个天牛个体的第j组位置分量元素更新公式中的迭代因子λ的取值采用指数递增的形式：
Figure GDA0003739945500000114
其中，λMax为超参数；
步骤S53、通过步骤S52的迭代计算，得到种群最终搜索到的最优位置，即：
Figure GDA0003739945500000115
具体的，对于一个天牛种群，设定其包含I个天牛个体，每个个体位置为N维向量；设定第i个天牛个体位置为wi＝(w1；i，w2；i，...，wn；i，...，wN；i)′，对每个天牛个体赋予速度和自身移动增量，第i个天牛个体的速度vi＝(v1；i，v2；i，...，vn；i，...，vN；i)′，移动增量ζi＝(ζ1；i，ζ2；i，...，ζn；i，...，ζN；i)′。天牛个体两个天牛须之间的距离为d，每次移动的步长为δ，k为天牛种群当前更新代数，K为总更新代数。
之后进行协同操作，将天牛种群中每个天牛个体位置平均分解为J组，每组为S＝N/J维，即对于第i(i＝1，2，...，I)个个体，
有wi＝[w′i|1，w′i|2，...，w′i|j，...，w′i|J]′，
其中，wi|j＝(w1；i|j，w2；i|j，...，ws；i|j，...，ws；i|j)′为第i个天牛个体的第j组位置分量。
对于每个天牛个体的速度和移动增量，
同样也有
vi＝[v′i|1，v′i|2，...，v′i|j，...，v′i|J]′，
ζi＝[ζ′i|1，ζ′i|2，...，ζ′i|j，...，ζ′i|J]′，
其中，
vi|j＝(v1；i|j，v2；i|j，...，vs；i|j，...，vS；i|j)′为第i个天牛个体的第j组速度分量，
ζi|j＝(ζ1；i|j，ζ2；i|j，...，ζs；i|j，...，ζS；i|j)′为第i个天牛个体的第j组移动增量分量；
Figure GDA0003739945500000121
为第i个个体自身搜索到的第j组历史最优位置分量，
Figure GDA0003739945500000131
为所有I个个体搜索到的第j组最优位置分量。
天牛位置协同操作如图3a-图3b所示，图3a和图3b分别为等式左右两边的内容。种群中个体位置N维向量被分为J组分量，每组分量维度为S，通过寻优操作分
Figure GDA0003739945500000132
在此基础上，
Figure GDA0003739945500000133
代表了种群最终搜索到的最优位置。
算法中天牛位置分量按照如下方式进行迭代更新：
天牛个体的位置分量更新由速度分量和自身移动增量分量两部分决定，对于第i个天牛个体，其第j组速度分量元素更新公式如下：
Figure GDA0003739945500000134
公式中，s＝1,2,…,S；c1和c2为常数，r1和r2为[0,1]内的随机数；ω为惯性权重，通常ω取值如下：
Figure GDA0003739945500000135
移动增量分量元素通过计算得到，公式如下：
Figure GDA0003739945500000136
其中wRs；i|j和wLs；i|j满足如下公式：
Figure GDA0003739945500000137
Figure GDA0003739945500000141
公式中f为适应度评价函数，δk和dk与天牛须算法更新方式相同。
第i个天牛个体的第j组位置分量元素更新公式如下：
Figure GDA0003739945500000142
公式中λ按照如下公式进行取值：
Figure GDA0003739945500000143
综上，本发明提出的方案能够根据多种应用场景设置需求权重对海洋数值预报产品误差进行加权，从而能够结合特定需求对预报产品给出合理评价，实现了面向应用场景的自适应海洋数值预报产品验证。相比于目前海洋数值预报产品的单一评价方法，本发明能够自适应调整不同验证指标的权重系数，对不同应用场景和产品按需生成评价方案，使评价结果更加具有针对性。
在一些实施例中，具体地，面向航海保障、海洋运输、海洋工程、远洋捕捞和海洋生物研究5个应用场景对海洋温度、盐度、海流、海浪、海平面高度等共8个海洋产品进行了验证评价，产品误差矩阵和应用评价矩阵中训练拟合数据取800组。对于各个应用，使用协同天牛群算法求取该应用下对应的需求权重w的步骤如下：
算法初始化：将天牛的搜索范围设定为[0,1]，目标函数f(w)作为协同天牛群算法搜索的适应度评价函数；天牛种群中天牛个体数量设置为100，即I＝100；搜索迭代次数为100次，即K＝100；由于每个应用有8个产品权重参数，所以变量维度为8，即N＝8。按照这些参数产生初始天牛种群。
算法搜索过程：将每个种群的位置向量分解成4组分量，使用协同天牛群算法进行目标函数的寻优，直至达到结束条件，得到
Figure GDA0003739945500000151
算法搜索结果：将最终搜索得到的全局最优的天牛位置向量作为需求权重矩阵对应行的权值，即对于海洋工程应用的需求权重参数，
Figure GDA0003739945500000152
适应度评价函数随算法迭代次数的变化曲线如图4所示。
可以看到，随迭代次数增加，协同天牛群优化算法能够快速使适应度函数收敛并接近理论最优值，实现需求权重矩阵的求解。
基于求得的需求权重针对应用场景进行预报产品验证评价。将求得的需求权重矩阵与产品误差矩阵相乘得到针对应用场景的预报产品自适应验证评价得分，公式如下：
Figure GDA0003739945500000153
使用了50组检验数据对本发明的验证方法进行检验，图5为基于本发明提出的验证方法得到的针对应用场景的预报产品验证评价得分和检验数据验证评价得分的相对误差曲线如图5所示。
可以看到，相对误差值均在0.01以下，所求需求权重矩阵较好地拟合了应用场景与预报产品之间的需求关系，在特定场景下对各类预报产品误差进行了自适应加权，说明了本方法的有效性。
本发明第二方面公开了一种海洋数值预报产品验证系统。图6为根据本发明实施例的一种海洋数值预报产品验证系统的结构图；如图6所示，所述系统100包括：
第一处理模块101，被配置为，根据产品预报和观测数据，计算产品误差矩阵E；
第二处理模块102，被配置为，基于应用场景的评价得分数据，计算应用评价矩阵G；
第三处理模块103，被配置为，构造需求权重参数矩阵W和需求权重参数矩阵约束条件；
第四处理模块104，被配置为，基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型；
第五处理模块105，被配置为，根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure GDA0003739945500000161
第六处理模块106，被配置为，将所述优化的需求权重参数矩阵
Figure GDA0003739945500000162
与产品误差矩阵E相乘，得到针对应用场景的预报产品的验证评价得分。
根据本发明第二方面的系统，所述第一处理模块101具体被配置为，设定产品误差向量e，形式如下：
e＝(e产品1，e产品2，…，e产品n，…，e产品N)′
式中，e产品n为海洋数值预报产品中第n个产品的归一化误差值，误差向量e中包含所要验证评价的N个海洋数值预报产品的误差数据。
构造产品误差矩阵E，形式如下：
E＝(e1，e2，e3，…，eT)
E为N行T列的矩阵，其中包含T组产品误差向量。
根据本发明第二方面的系统，所述第二处理模块102具体被配置为，所述基于应用场景的评价得分数据，计算应用评价矩阵G的具体方法包括：
设定应用评价向量g，对于M个应用场景，其形式如下：
g＝[-ln(s1)，-ln(s2)，…，-ln(sm)，…，-ln(sM)]′
构造包含T组评价向量的应用评价矩阵G，形式如下：
G＝(g1，g2，g3，…，gT)
其中，
sm为第m类应用场景的评估得分，sm越大则第m类应用场景对于预报产品的评价越好。
根据本发明第二方面的系统，所述第三处理模块103具体被配置为，所述需求权重参数矩阵W的结构为M行N列矩阵。
所述需求权重参数矩阵约束条件包括：
所述需求权重参数矩阵中的每一行的和为1；
需求权重参数矩阵W×产品误差矩阵E＝应用评价矩阵G。
具体地，为使得预报产品误差与应用评价之间的权值相对应，构造的需求权重矩阵W为M行N列矩阵。为使各预报产品误差对应的权值具有统一性，设定W中的每一行加和为1，即对于任意的m皆有：
wm1+wm2+…+wmn+…+wmN＝1
特定应用场景m对某项预报产品n需求越大，则W中该预报产品误差对应的需求权重wmn越大，该产品误差的影响也随之更加凸显；
需求权重矩阵W满足：WE＝G。第m类应用场景的评价得分sm满足计算公式：
sm＝exp(-wm1e产品1-wm2e产品2-…-wmne产品n-…-wmNe产品N)
矩阵之间的运算关系如图2a-图2b所示。
根据本发明第二方面的系统，所述第四处理模块104具体被配置为，所述需求权重参数矩阵计算模型的具体公式为：
Figure GDA0003739945500000171
其中，
Figure GDA0003739945500000181
为寻找最小评分的参量函数；
Figure GDA0003739945500000182
||·||1表示1范数，||·||2表示2范数。
根据本发明第二方面的系统，所述第五处理模块105具体被配置为，所述根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数的具体方法包括：
设定需求权重参数矩阵
Figure GDA0003739945500000183
应用评价矩阵
Figure GDA0003739945500000184
其中wm代表了第m个应用下N个产品对应的需求权重参数，gm代表第m个应用场景下的评估得分；
使用w来表示第m个应用场景下对应的权重wm，求取w的目标函数采用如下形式：
其中，
Figure GDA0003739945500000185
μ为罚因子，超参数，可将其设置为一个较大的数以实现对变量的约束。求解过程转换为对目标函数的寻优过程，理论上当目标函数f(w)取值为零时达到最优，此时取得的权重值w即为最优解。
所述智能优化算法搜索的具体方法为协同天牛群智能优化算法，具体方法包括：
初始化参变量。参数包括：种群中包含的天牛个体的数量I，天牛每次移动的步长δ，天牛个体两个天牛须之间的距离d，天牛总更新代数K，天牛个体位置向量维度N，个体位置向量的分组数J。变量包括：种群中每个天牛个体的位置wi，即需求权重参数；种群速度vi，(i∈[1，I])。
设定
Figure GDA0003739945500000191
为第j组最优位置分量(j∈[1，J])，并初始化各组的最优位置分量
Figure GDA0003739945500000192
当前更新代数k小于设置的总更新代数K时：对于种群所有个体第j组分量[w1|jw2j...wi|j...wI|j] (j∈[1，J])，采用天牛群算法对该组的最优位置分量
Figure GDA0003739945500000193
进行更新。
其中对于第i个天牛个体的第j组位置分量wi|j的适应度评价形式为：f(b(j，wi|j))；其中，
Figure GDA0003739945500000194
第i个天牛个体的第j组位置分量元素更新公式中的迭代因子λ的取值采用指数递增的形式：
Figure GDA0003739945500000195
其中，λMax为超参数；
通过迭代计算，得到种群最终搜索到的最优位置，即：
Figure GDA0003739945500000201
具体的，对于一个天牛种群，设定其包含I个天牛个体，每个个体位置为N维向量；设定第i个天牛个体位置为wi＝(w1；i，w2；i，...，wn；i，...，wN；i)′，对每个天牛个体赋予速度和自身移动增量，第i个天牛个体的速度vi＝(v1；i，v2；i，...，vn；i，...，vN；i)′，移动增量ζi＝(ζ1；i，ζ2；i，...，ζn；i，...，ζN；i)′。天牛个体两个天牛须之间的距离为d，每次移动的步长为δ，k为天牛种群当前更新代数，K为总更新代数。
之后进行协同操作，将天牛种群中每个天牛个体位置平均分解为J组，每组为S＝N/J维，即对于第i(i＝1，2，...，I)个个体，
有wi＝[w′i|1，w′i|2，...，w′i|j，...，w′i|J]′，
其中wi|j＝(w1；i|j，w2；i|j，...，ws；i|j，...，wS；i|j)′为第i个天牛个体的第j组位置分量。对于每个天牛个体的速度和移动增量，
同样也有
vi＝[v′i|1，v′i|2，...，v′i|j，...，v′i|J]′，
ζi＝[ζ′i|1，ζ′i|2，...，ζ′i|j，...，ζ′i|J]′，
其中，
vi|j＝(v1；i|j，v2；i|j，...，vs；i|j，...，vS；i|j)′为第i个天牛个体的第j组速度分量，
ζi|j＝(ζ1；i|j，ζ2；i|j，...，ζs；i|j，...，ζS；i|j)′为第i个天牛个体的第j组移动增量分量；
Figure GDA0003739945500000211
为第i个个体自身搜索到的第j组历史最优位置分量，
Figure GDA0003739945500000212
为所有I个个体搜索到的第j组最优位置分量。
天牛位置协同操作如图3a-图3b所示。种群中个体位置N维向量被分为J组分量，每组分量维度为S，通过寻优操作分
Figure GDA0003739945500000213
在此基础上，
Figure GDA0003739945500000214
代表了种群最终搜索到的最优位置。
算法中天牛位置分量按照如下方式进行迭代更新：
天牛个体的位置分量更新由速度分量和自身移动增量分量两部分决定，对于第i个天牛个体，其第j组速度分量元素更新公式如下：
Figure GDA0003739945500000215
公式中，s＝1，2，...，S；c1和c2为常数，r1和r2为[0，1]内的随机数；ω为惯性权重，通常ω取值如下：
Figure GDA0003739945500000216
移动增量分量元素通过计算得到，公式如下：
Figure GDA0003739945500000217
其中wRs；i|j和wLs；i|j满足如下公式：
Figure GDA0003739945500000221
Figure GDA0003739945500000222
公式中f为适应度评价函数，δk和dk与天牛须算法更新方式相同。
第i个天牛个体的第j组位置分量元素更新公式如下：
Figure GDA0003739945500000223
公式中λ按照如下公式进行取值：
Figure GDA0003739945500000224
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种海洋数值预报产品验证方法中的步骤。
图7为根据本发明实施例的一种电子设备的结构图，如图7所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种存储介质。存储介质上存储有计算机程序，尤其是应用于计算机上的可读存储介质，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种海洋数值预报产品验证方法中的步骤中的步骤。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种海洋数值预报产品验证方法，其特征在于，所述方法包括：
步骤S1、根据产品预报和观测数据，计算产品误差矩阵E；
步骤S2、基于应用场景的评价得分数据，计算应用评价矩阵G；
步骤S3、构造需求权重参数矩阵W和需求权重参数矩阵约束条件；
步骤S4、基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型；
步骤S5、根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure FDA0003749103380000011
步骤S6、将所述优化的需求权重参数矩阵
Figure FDA0003749103380000012
与产品误差矩阵E相乘，得到针对应用场景的预报产品验证评价得分；
在所述步骤S2中，所述基于应用场景的评价得分数据，计算应用评价矩阵G的具体方法包括：
设定应用评价向量g，对于M个应用场景，其形式如下：
g＝[-ln(s1)，-ln(s2)，…，-ln(sm)，…，-ln(sM)]′
构造包含T组评价向量的应用评价矩阵G，形式如下：
G＝(g1，g2，g3，…，gT)
其中，
sm为第m类应用场景的评估得分；
在所述步骤S3中，所述需求权重参数矩阵W的结构为M行N列矩阵；
其特征在于，在所述步骤S3中，所述需求权重参数矩阵约束条件包括：
所述需求权重参数矩阵中的每一行的和为1；
需求权重参数矩阵W×产品误差矩阵E＝应用评价矩阵G；
在所述步骤S4中，所述需求权重参数矩阵计算模型的具体公式为：
Figure FDA0003749103380000021
其中，
Figure FDA0003749103380000022
为寻找最小评分的参量函数；
Figure FDA0003749103380000023
||·||1表示1范数，||·||2表示2范数；
在所述步骤S5中，所述根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数的具体方法包括：
设定需求权重参数矩阵
Figure FDA0003749103380000024
应用评价矩阵
Figure FDA0003749103380000025
其中wm代表了第m个应用下N个产品对应的需求权重参数，gm代表第m个应用场景下的评估得分；
使用w来表示第m个应用场景下对应的权重wm，求取w的目标函数采用如下形式：
Figure FDA0003749103380000026
其中，
μ为罚因子，超参数。
2.根据权利要求1所述的一种海洋数值预报产品验证方法，其特征在于，在所述步骤S5中，所述智能优化算法搜索的具体方法为协同天牛群智能优化算法，具体方法包括：
步骤S51、初始化参变量，参数包括：种群中包含的天牛个体的数量I，天牛每次移动的步长δ，天牛个体两个天牛须之间的距离d，天牛总更新代数K，天牛个体位置向量维度N，个体位置向量的分组数J；变量包括：种群中每个天牛个体的位置wi，即需求权重参数；种群速度vi，(i∈[1，I])；
步骤S52、设定
Figure FDA0003749103380000031
为第j组最优位置分量(j∈[1，J])，并初始化各组的最优位置分量
Figure FDA0003749103380000032
当前更新代数k小于设置的总更新代数K时：对于种群所有个体第j组分量[w1|j w2| j...wi|j...wI|j](j∈[1，J])，采用天牛群算法对该组的最优位置分量
Figure FDA0003749103380000033
进行更新；
其中对于第i个天牛个体的第j组位置分量wi|j的适应度评价形式为：f(b(j，wi|j))；其中，
Figure FDA0003749103380000034
第i个天牛个体的第j组位置分量元素更新公式中的迭代因子λ的取值采用指数递增的形式：
Figure FDA0003749103380000035
其中，λMax为超参数；
步骤S53、通过步骤S52的迭代计算，得到种群最终搜索到的最优位置，即：
Figure FDA0003749103380000041
3.一种用于海洋数值预报产品验证系统，其特征在于，所述系统包括：
第一处理模块，被配置为，根据产品预报和观测数据，计算产品误差矩阵E；
第二处理模块，被配置为，基于应用场景的评价得分数据，计算应用评价矩阵G；
所述基于应用场景的评价得分数据，计算应用评价矩阵G具体包括：
设定应用评价向量g，对于M个应用场景，其形式如下：
g＝[-ln(s1)，-ln(s2)，…，-ln(sm)，…，-ln(sM)]′
构造包含T组评价向量的应用评价矩阵G，形式如下：
G＝(g1，g2，g3，…，gT)
其中，
sm为第m类应用场景的评估得分；
第三处理模块，被配置为，构造需求权重参数矩阵W和需求权重参数矩阵约束条件；所述需求权重参数矩阵W的结构为M行N列矩阵；
所述需求权重参数矩阵约束条件包括：
所述需求权重参数矩阵中的每一行的和为1；
需求权重参数矩阵W×产品误差矩阵E＝应用评价矩阵G；
第四处理模块，被配置为，基于所述产品误差矩阵和所述应用评价矩阵，构建所述需求权重参数矩阵计算模型；
所述需求权重参数矩阵计算模型的具体公式为：
Figure FDA0003749103380000042
其中，
Figure FDA0003749103380000051
为寻找最小评分的参量函数；
Figure FDA0003749103380000052
||·||1表示1范数，||·||2表示2范数；
第五处理模块，被配置为，根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数，并采用智能优化算法搜索使目标函数取得最优，得到优化的需求权重参数矩阵
Figure FDA0003749103380000057
所述根据所述需求权重参数矩阵约束条件和所述需求权重参数矩阵计算模型，将所述需求权重参数矩阵中的权重参数作为优化的变量，构造目标函数具体包括：
设定需求权重参数矩阵
Figure FDA0003749103380000053
应用评价矩阵
Figure FDA0003749103380000054
其中wm代表了第m个应用下N个产品对应的需求权重参数，gm代表第m个应用场景下的评估得分；
使用w来表示第m个应用场景下对应的权重wm，求取w的目标函数采用如下形式：
Figure FDA0003749103380000055
其中，
μ为罚因子，超参数；
第六处理模块，被配置为，将所述优化的需求权重参数矩阵
Figure FDA0003749103380000056
与产品误差矩阵E相乘，得到针对应用场景的预报产品的验证评价得分。
4.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至2中任一项所述的一种海洋数值预报产品验证方法中的步骤。
5.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至2中任一项所述的一种海洋数值预报产品验证方法中的步骤。
CN202210536520.9A 2022-05-18 2022-05-18 海洋数值预报产品验证方法、系统、电子设备及存储介质 Active CN114637962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210536520.9A CN114637962B (zh) 2022-05-18 2022-05-18 海洋数值预报产品验证方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210536520.9A CN114637962B (zh) 2022-05-18 2022-05-18 海洋数值预报产品验证方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114637962A CN114637962A (zh) 2022-06-17
CN114637962B true CN114637962B (zh) 2022-08-30

Family

ID=81953187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210536520.9A Active CN114637962B (zh) 2022-05-18 2022-05-18 海洋数值预报产品验证方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114637962B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656251A (zh) * 2017-11-13 2018-02-02 浙江大学 一种基于改进入侵杂草优化算法的智能雷达海杂波预报系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4388248B2 (ja) * 2001-10-29 2009-12-24 株式会社日立製作所 最適ポートフォリオ決定方法および装置
JP5582370B2 (ja) * 2010-12-09 2014-09-03 独立行政法人理化学研究所 ガンマ線を利用する画像化装置、画像信号処理装置およびガンマ線測定データの画像処理方法
CN108038577B (zh) * 2017-12-26 2018-09-21 国家海洋局北海预报中心 一种单站海浪有效波高数值预报结果多要素修正方法
CN111443712B (zh) * 2020-03-30 2023-03-21 杭州电子科技大学 一种基于天牛群搜索算法的三维路径规划方法
CN113988349A (zh) * 2020-07-27 2022-01-28 海南省气象科学研究所 一种基于时空局部模型的数值模式预报产品客观释用方法
CN112070357A (zh) * 2020-08-11 2020-12-11 中国人民解放军海军工程大学 一种基于改进bp神经网络的雷达辐射源威胁评估方法
CN113324627A (zh) * 2021-08-04 2021-08-31 自然资源部第一海洋研究所 一种基于浮标的潮位观测及预报方法
CN113962426A (zh) * 2021-08-27 2022-01-21 交通运输部天津水运工程科学研究所 一种近海水上通航安全智能预报方法和装置
CN114091745A (zh) * 2021-11-15 2022-02-25 国网重庆市电力公司市北供电分公司 基于改进多存储池回声状态网络的行业用电量预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656251A (zh) * 2017-11-13 2018-02-02 浙江大学 一种基于改进入侵杂草优化算法的智能雷达海杂波预报系统及方法

Also Published As

Publication number Publication date
CN114637962A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
US20200279149A1 (en) Method for reinforcement learning using virtual environment generated by deep learning
Maroufpoor et al. Reference evapotranspiration estimating based on optimal input combination and hybrid artificial intelligent model: Hybridization of artificial neural network with grey wolf optimizer algorithm
Kathuria et al. Batched gaussian process bandit optimization via determinantal point processes
Coello et al. Hybridizing a genetic algorithm with an artificial immune system for global optimization
Bebendorf et al. Constructing nested bases approximations from the entries of non-local operators
CA3151805A1 (en) Automated path-based recommendation for risk mitigation
US20080154817A1 (en) Method and apparatus for improved regression modeling
Zhang et al. Hamiltonian Monte Carlo acceleration using surrogate functions with random bases
CN110413878B (zh) 基于自适应弹性网络的用户-商品偏好的预测装置和方法
Adeyemo et al. River flow forecasting using an improved artificial neural network
Okkan et al. Towards a hybrid algorithm for the robust calibration of rainfall–runoff models
Ye et al. Global optimization method using adaptive and parallel ensemble of surrogates for engineering design optimization
CN110113180B (zh) 一种基于偏置张量分解的云服务响应时间预测方法和装置
Albertsen et al. Model-based estimates of reference points in an age-based state-space stock assessment model
Ranjan et al. Inverse problem for time-series valued computer model via scalarization
CN112561351B (zh) 用于评估中继卫星系统中的任务申请的方法及装置
CN114528638A (zh) 基于强化学习的船舶运动大多步实时预测混合方法及系统
CN114637962B (zh) 海洋数值预报产品验证方法、系统、电子设备及存储介质
Meyer “Bending” and beyond: Better estimates of quantitative genetic parameters?
Scholz et al. Latent Linear ODEs with Neural Kalman Filtering for Irregular Time Series Forecasting
Aliniya et al. Solving constrained optimisation problems using the improved imperialist competitive algorithm and Deb’s technique
KR102515608B1 (ko) 태양광 발전량 예측 방법 및 시스템
Sadollah et al. Metaheuristic optimisation methods for approximate solving of singular boundary value problems
He et al. An agent-based model of elephant crop consumption walks using combinatorial optimization
Cervantes‐Loreto et al. Environmental context, parameter sensitivity, and structural sensitivity impact predictions of annual‐plant coexistence

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
GR01 Patent grant
GR01 Patent grant