CN115689389A - 基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置 - Google Patents

基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置 Download PDF

Info

Publication number
CN115689389A
CN115689389A CN202211454998.3A CN202211454998A CN115689389A CN 115689389 A CN115689389 A CN 115689389A CN 202211454998 A CN202211454998 A CN 202211454998A CN 115689389 A CN115689389 A CN 115689389A
Authority
CN
China
Prior art keywords
evaluation
health
formula
index
projection
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.)
Granted
Application number
CN202211454998.3A
Other languages
English (en)
Other versions
CN115689389B (zh
Inventor
李铁男
郭微微
张柠
邱朋朋
王俊
席宏亮
杨阿龙
孙明悦
王志睿
赵于昊
梁契宗
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.)
Heilongjiang Provincial Hydraulic Research Institute
Original Assignee
Heilongjiang Provincial Hydraulic Research Institute
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 Heilongjiang Provincial Hydraulic Research Institute filed Critical Heilongjiang Provincial Hydraulic Research Institute
Priority to CN202211454998.3A priority Critical patent/CN115689389B/zh
Publication of CN115689389A publication Critical patent/CN115689389A/zh
Application granted granted Critical
Publication of CN115689389B publication Critical patent/CN115689389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置。其技术方案是：包括以下步骤：一、构建寒区河湖健康评价指标体系；二、对评价指标值进行归一化处理：消除寒区河湖健康评价指标值间的量纲；三、利用熵权法计算各评价指标的客观权重，四、利用熵权法计算得到的权重对评价指标值进行加权处理：将熵权法得到的每个评价指标的权重分别与评价指标值进行乘法运算得到的评价指标值；五、设计寒区河湖健康评价投影目标函数；六、利用改进的鲸鱼优化算法优化寒区河湖健康评价投影目标函数；七、获得寒区河湖健康评价结果。本发明能够客观确定评价指标的权重，计算步骤明确，评价结果准确，满足对寒区河湖健康评价的要求。

Description

基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置
技术领域
本发明涉及寒区河湖管理技术领域，具体涉及基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置。
背景技术
目前，针对东北寒冷地区河湖生态管理与保护问题的研究较多，而关于东北寒冷地区河湖健康评价指标体系及方法的研究较少。面向东北寒冷地区河湖健康发展需求，亟需提出量化健康评价指标体系及方法，以便于河湖管理者及时掌握河湖健康问题，精准实施管护措施。由于东北寒冷地区水体背景值高水质好坏难以同一标准衡量、季节性河流生态流量满足程度难以评价等问题，在点、线、面不同尺度上选取能全面、客观的反映东北寒冷地区水生态系统健康状况的评价指标，建立合适的健康评价指标体系及方法，综合评价东北寒冷地区水生态系统健康情况，成为亟待解决的问题。
发明内容
本发明的目的在于解决上述技术问题或部分技术问题，提供基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，可以实现对东北寒冷地区河湖健康的客观、精确评价。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
第一方面，本发明的一种基于改进鲸鱼算法优化投影寻踪的寒区河湖健康评价方法，包括如下步骤：
一、构建寒区河湖健康评价指标体系：寒区河湖健康评价指标包括生态流量满足程度、河流纵向连通指数、水质优劣程度、天然湿地保留率、水土保持率、水功能区水质达标率、岸带状况、鱼类保有指数、大型底栖无脊椎动物生物完整性指数、堤防工程达标率、公众满意度、入河排污口规范化建设程度和取水口规范化管理程度13个，通过数据采集装置采集和输入上述指标；
二、对评价指标值进行归一化处理：消除步骤一所述寒区河湖健康评价指标值间的量纲。
成本型指标(指标数值越小越优)的计算公式如下：
Figure RE-GDA0004027740540000021
收益型指标(指标数值越大越优)的计算公式如下：
Figure RE-GDA0004027740540000022
式中：i为样本数，j为评价指标数，x*(i,j)代表归一化后的指标值，x(i,j) 为归一化前的指标值，xmin(j)代表第j个评价指标的最小值， xmax(j)代表第j个评价指标的最大值；
三、利用熵权法计算各评价指标的客观权重；
(1)计算第i个样本第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000023
(2)计算第j个指标的熵值，公式如下：
Figure RE-GDA0004027740540000024
(3)计算第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000031
四、利用步骤三计算得到的权重对评价指标值进行加权处理：将步骤三得到的每个评价指标的权重分别与评价指标值进行乘法运算得到的评价指标值，公式如下：
Figure RE-GDA0004027740540000032
式中，
Figure RE-GDA0004027740540000037
代表加权后的指标值，wj代表第j个指标的权重；
五、设计寒区河湖健康评价投影目标函数：以
Figure RE-GDA0004027740540000038
为单位投影方向向量，将13个寒区河湖健康评价指标线性投影为一维投影值Zi，公式如下：
Figure RE-GDA0004027740540000033
式中：i＝1,2,…,n为样本数，aj为单位投影方向向量
Figure RE-GDA0004027740540000039
第j维的值。根据局部投影点尽可能密集，投影点的聚类簇之间尽可能分散为标准构造寒区河湖健康评价投影目标函数，公式如下：
f＝Q·D (8)
式中：Q为类间距，计算公式如下：
Figure RE-GDA0004027740540000034
D为类密度，计算公式如下：
Figure RE-GDA0004027740540000035
式中
Figure RE-GDA0004027740540000036
为Zi的平均值，R为局部密度的窗口半径，R＝0.1·Q；rij＝|Zm-Zl|，m＝1,2,…,n，l＝1,2,…,n；f(R-rij)为单位阶跃函数，公式如下：
Figure RE-GDA0004027740540000041
六、利用改进的鲸鱼优化算法(Whale optimization algorithm, WOA)优化寒区河湖健康评价投影目标函数：通过求解寒区河湖健康评价投影目标函数最大化问题获得最佳投影方向
Figure RE-GDA0004027740540000045
数学模型如下：
maxf＝Q·D (12)
Figure RE-GDA0004027740540000042
利用改进的WOA求解上述优化问题；
七、获得寒区河湖健康评价结果：将步骤6求得的最佳投影方向
Figure RE-GDA0004027740540000046
代入公式(7)得到各个样本的投影值；按照公式(2)对每个样本的投影值进行归一化，根据归一化后的投影值和寒区河湖健康评价标准可得出样本的健康评价结果，实现对寒区河湖健康等级的划分评定。
优选的，步骤六中，利用改进的WOA求解寒区河湖健康评价投影目标函数最大值问题的具体步骤如下：
一、确定适应度函数：由于改进的WOA是一种求解极小值问题的进化算法，因此对公式(12)进行改造，得到改进的WOA的适应度函数如下所示：
Figure RE-GDA0004027740540000043
Figure RE-GDA0004027740540000044
二、初始化改进的WOA参数：设置种群规模N，最大迭代次数M、对数螺旋形状常系数b，种群个体编码长度L，当前迭代次数t。
三、基于立方混沌映射初始化种群：种群中的每个个体的初始化步骤如下：
(1)在搜索空间随机初始化一个编码长度为L的个体p＝[x1,x2,…,xL]，个体每一维度基因的取值范围为[ld,ud]，即ld≤xi≤ud；
(2)将个体P的每一维基因分别输入到如下公式迭代N-1次生成其他个体的每一维基因；
Figure RE-GDA0004027740540000051
(3)利用如下公式分别将N个个体的每一维基因映射到原搜索空间；
Figure RE-GDA0004027740540000052
式中，ud和ld分别表示第d维基因的上界和下界，gd表示某个个体第d维基因，yd表示映射到原搜索空间后的第d维基因；
四、利用公式(14)计算每个个体X(t)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t)，保存X*(t)；令Gbest＝X*(t)；
五、如果t≤M，计算a，A，C，计算公式如下：
Figure RE-GDA0004027740540000053
A＝2a·r1-a (19)
C＝2r2 (20）
式中：a为在迭代过程中由2逐渐线性减少到0的收敛因子；A和C为系数；r1和r2为[0,1]间的随机数；
六、计算l和p，l为[-1,1]间的随机数和p为[0,1]间的随机数；
七、计算基于正余弦变化的自适应惯性权重ω，公式如下：
Figure RE-GDA0004027740540000061
式中：k为常系数；
八、采用如下公式分别对每个个体X的空间位置进行更新：
Figure RE-GDA0004027740540000062
式中：X*(t)代表第t代的最优个体；Xrand(t)代表第t代除最优个体之外的其它个体；X(t+1)代表空间位置更新后的个体；D和D′的计算公式如下所示：
Figure RE-GDA0004027740540000063
Figure RE-GDA0004027740540000064
九、判断X(t+1)的每一维基因是否超出ud或ld，如果超出，则随机生成一个在[ld,ud]间的随机数替换该维基因；
十、利用公式(14)计算每个个体X(t+1)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t+1)，保存X*(t+1)；
十一、如果X*(t+1)比Gbest＝X*(t)小，则Gbest＝X*(t+1)；
十二、如果t＜M，t＝t+1，重复执行步骤5到12；如果t≥M，输出Gbest；Gbest即为最佳投影方向
Figure RE-GDA0004027740540000065
优选的，步骤七中，寒区河湖健康评价标准，设置投影值最高分为1，0-0.40代表劣态、0.41-0.55代表不健康，0.56到0.70代表亚健康，0.71-0.90代表健康，0.91-100代表非常健康。
优选的，步骤一中，公众满意度采用公众参与调查统计的方法进行，问卷调查的内容包括水量、水质、水生生物、景观娱乐、河湖管理。
优选的，步骤六中，改进WOA利用立方混沌映射初始化种群。
优选的，步骤六中，改进WOA采用基于正余弦变化的自适应惯性权重优化鲸鱼优化算法的个体空间位置更新过程。
优选的，步骤一中，水功能区水质达标率采用河段年度水质达标状况代表。
优选的，步骤一中，生态流量满足程度采用寒冷地区不同水期流量与生态流量关系代表。
优选的，步骤三中，采用熵权法计算寒区河湖健康评价指标的权重。
优选的，步骤一中，水土保持率采用区域现状水土保持率与目标年份关系代表。
第二方面，本发明实施例提供一种基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价装置，包括：
确定模块，用于基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价的组成结构，确定用于寒区河湖健康评价的多个参数指标；
所述确定模块，还用于基于多个所述参数指标，确定每个参数指标对应的多个评价要素；
计算模块，用于基于每个参数指标对应的多个评价要素，确定每个参数指标指数，得到多个参数指标指数；
所述计算模块，还用于基于多个所述参数指标指数，确定所述寒区河湖健康的评价结果。
第三方面，本发明实施例提供一种计算机设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价程序，以实现上述第一方面中所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置。
第四方面，本发明实施例提供一种存储介质，包括：所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置。
本发明的有益效果是：
(1)本发明的一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，通过改进的鲸鱼算法对投影寻踪进行优化，有利于提高投影寻踪对样本的评价准确度。
(2)本发明的一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，采用立方混沌映射初始化种群，使得算法的种群多样性得到提升，提高了全局寻优能力。
(3)本发明的一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，采用基于正余弦变化的自适应惯性权重优化鲸鱼优化算法的个体空间位置更新过程，提高了局部搜索能力。
(4)采用熵权法对寒区河湖健康评价指标进行加权处理，可以突显评价指标对寒区河湖健康的影响程度，提高评价的客观性。
当然，实施本发明的任一技术并不一定需要同时达到以上的所有优点。
本发明基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价装置、计算机设备、存储介质为本发明基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价系统数据分析处理方法对应的设备，因此同样也具有本发明基于自动化的抄表业务数据分析处理方法的前述优点，故在此不再赘述。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的流程示意图；
图2为改进WOA的流程示意图；
图3为东北寒冷地区河湖健康评价指标体系示意图；
图4为本发明实施例提供的一种基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价装置的结构示意图；
图5为本发明实施例提供的一种计算机设备的结构示意图。
实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
参见图1至图3，一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，包括以下步骤：
一、构建寒区河湖健康评价指标体系：从水文水资源、物理结构、水质、水生生物、社会服务功能、管理六个层面共选取13个寒区河湖健康评价指标，包括：生态流量满足程度、河流纵向连通指数、水质优劣程度、天然湿地保留率、水土保持率、水功能区水质达标率、岸带状况、鱼类保有指数、大型底栖无脊椎动物生物完整性指数、堤防工程达标率、公众满意度、入河排污口规范化建设程度和取水口规范化管理程度13个，通过数据采集装置采集和输入上述指标；
二、对评价指标值进行归一化处理：消除步骤一所述寒区河湖健康评价指标值间的量纲。
成本型指标(指标数值越小越优)的计算公式如下：
Figure RE-GDA0004027740540000101
收益型指标(指标数值越大越优)的计算公式如下：
Figure RE-GDA0004027740540000102
式中：i为样本数，j为评价指标数，x*(i,j)代表归一化后的指标值，x(i,j) 为归一化前的指标值，xmin(j)代表第j个评价指标的最小值， xmax(j)代表第j个评价指标的最大值；
三、利用熵权法计算各评价指标的客观权重；
(1)计算第i个样本第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000103
(2)计算第j个指标的熵值，公式如下：
Figure RE-GDA0004027740540000104
(3)计算第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000111
四、利用步骤三计算得到的权重对评价指标值进行加权处理：将步骤三得到的每个评价指标的权重分别与评价指标值进行乘法运算得到的评价指标值，公式如下：
Figure RE-GDA0004027740540000112
式中，
Figure RE-GDA0004027740540000117
代表加权后的指标值，wj代表第j个指标的权重；
五、设计寒区河湖健康评价投影目标函数：以
Figure RE-GDA0004027740540000116
为单位投影方向向量，将13个寒区河湖健康评价指标线性投影为一维投影值Zi，公式如下：
Figure RE-GDA0004027740540000113
式中：i＝1,2,…,n为样本数，aj为单位投影方向向量
Figure RE-GDA0004027740540000118
第j维的值。根据局部投影点尽可能密集，投影点的聚类簇之间尽可能分散为标准构造寒区河湖健康评价投影目标函数，公式如下：
f＝Q·D (8)
式中：Q为类间距，计算公式如下：
Figure RE-GDA0004027740540000114
D为类密度，计算公式如下：
Figure RE-GDA0004027740540000115
式中
Figure RE-GDA0004027740540000119
为Zi的平均值，R为局部密度的窗口半径，R＝0.1·Q；rij＝|Zm-Zl|，m＝1,2,…,n，l＝1,2,…,n；f(R-rij)为单位阶跃函数，公式如下：
Figure RE-GDA0004027740540000121
六、利用改进的鲸鱼优化算法(Whale optimization algorithm, WOA)优化寒区河湖健康评价投影目标函数：通过求解寒区河湖健康评价投影目标函数最大化问题获得最佳投影方向
Figure RE-GDA0004027740540000125
数学模型如下：
maxf＝Q·D(12)
Figure RE-GDA0004027740540000122
利用改进的WOA求解上述优化问题；
七、获得寒区河湖健康评价结果：将步骤6求得的最佳投影方向
Figure RE-GDA0004027740540000126
代入公式(7)得到各个样本的投影值；按照公式(2)对每个样本的投影值进行归一化，根据归一化后的投影值和寒区河湖健康评价标准可得出样本的健康评价结果，实现对寒区河湖健康等级的划分评定。
所述利用改进的WOA求解寒区河湖健康评价投影目标函数最大值问题的具体步骤如下：
一、确定适应度函数：由于改进的WOA是一种求解极小值问题的进化算法，因此对公式(12)进行改造，得到改进的WOA的适应度函数如下所示：
Figure RE-GDA0004027740540000123
Figure RE-GDA0004027740540000124
二、初始化改进的WOA参数：设置种群规模N，最大迭代次数M、对数螺旋形状常系数b，种群个体编码长度L，当前迭代次数t。
三、基于立方混沌映射初始化种群：种群中的每个个体的初始化步骤如下：
(1)在搜索空间随机初始化一个编码长度为L的个体p＝[x1,x2,…,xL]，个体每一维度基因的取值范围为[ld,ud]，即ld≤xi≤ud；
(2)将个体P的每一维基因分别输入到如下公式迭代N-1次生成其他个体的每一维基因；
Figure RE-GDA0004027740540000131
(3)利用如下公式分别将N个个体的每一维基因映射到原搜索空间；
Figure RE-GDA0004027740540000132
式中，ud和ld分别表示第d维基因的上界和下界，gd表示某个个体第d维基因，yd表示映射到原搜索空间后的第d维基因；
四、利用公式(14)计算每个个体X(t)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t)，保存X*(t)；令Gbest＝X*(t)；
五、如果t≤M，计算a，A，C，计算公式如下：
Figure RE-GDA0004027740540000133
A＝2a·r1-a (19)
C＝2r2 (20)
式中：a为在迭代过程中由2逐渐线性减少到0的收敛因子；A和C为系数；r1和r2为[0,1]间的随机数；
六、计算l和p，l为[-1,1]间的随机数和p为[0,1]间的随机数；
七、计算基于正余弦变化的自适应惯性权重ω，公式如下：
Figure RE-GDA0004027740540000141
式中：k为常系数；
八、采用如下公式分别对每个个体X的空间位置进行更新：
Figure RE-GDA0004027740540000142
式中：X*(t)代表第t代的最优个体；Xrand(t)代表第t代除最优个体之外的其它个体；X(t+1)代表空间位置更新后的个体；D和D′的计算公式如下所示：
Figure RE-GDA0004027740540000143
Figure RE-GDA0004027740540000144
九、判断X(t+1)的每一维基因是否超出ud或ld，如果超出，则随机生成一个在[ld,ud]间的随机数替换该维基因；
十、利用公式(14)计算每个个体X(t+1)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t+1)，保存X*(t+1)；
十一、如果X*(t+1)比Gbest＝X*(t)小，则Gbest＝X*(t+1)；
十二、如果t＜M，t＝t+1，重复执行步骤5到12；如果t≥M，输出Gbest；Gbest即为最佳投影方向
Figure RE-GDA0004027740540000145
根据权利要求1所述的寒区河湖健康评价标准，其特征在于，设置投影值最高分为1，0-0.40代表劣态、0.41-0.55代表不健康，0.56到0.70 代表亚健康，0.71-0.90代表健康，0.91-100代表非常健康。
所述公众满意度采用公众参与调查统计的方法进行，问卷调查的内容包括水量、水质、水生生物、景观娱乐、河湖管理。
所述改进WOA利用立方混沌映射初始化种群。
所述改进WOA采用基于正余弦变化的自适应惯性权重优化鲸鱼优化算法的个体空间位置更新过程。
所述水功能区水质达标率采用河段年度水质达标状况代表。
所述生态流量满足程度采用寒冷地区不同水期流量与生态流量关系代表。
所述熵权法计算寒区河湖健康评价指标的权重。
所述水土保持率采用区域现状水土保持率与目标年份关系代表。
实施例2：
参见图1至图3，一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，包括以下步骤：
一、构建寒区河湖健康评价指标体系：从水文水资源、物理结构、水质、水生生物、社会服务功能、管理六个层面共选取13个寒区河湖健康评价指标，包括：生态流量满足程度、河流纵向连通指数、水质优劣程度、天然湿地保留率、水土保持率、水功能区水质达标率、岸带状况、鱼类保有指数、大型底栖无脊椎动物生物完整性指数、堤防工程达标率、公众满意度、入河排污口规范化建设程度和取水口规范化管理程度13个，通过数据采集装置采集和输入上述指标；
二、对评价指标值进行归一化处理：消除步骤一所述寒区河湖健康评价指标值间的量纲。
成本型指标(指标数值越小越优)的计算公式如下：
Figure RE-GDA0004027740540000161
收益型指标(指标数值越大越优)的计算公式如下：
Figure RE-GDA0004027740540000162
式中：i为样本数，j为评价指标数，x*(i,j)代表归一化后的指标值，x(i,j) 为归一化前的指标值，xmin(j)代表第j个评价指标的最小值， xmax(j)代表第j个评价指标的最大值；
三、利用熵权法计算各评价指标的客观权重；
(1)计算第i个样本第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000163
(2)计算第j个指标的熵值，公式如下：
Figure RE-GDA0004027740540000164
(3)计算第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000165
四、利用步骤三计算得到的权重对评价指标值进行加权处理：将步骤三得到的每个评价指标的权重分别与评价指标值进行乘法运算得到的评价指标值，公式如下：
Figure RE-GDA0004027740540000171
式中，
Figure RE-GDA0004027740540000177
代表加权后的指标值，wj代表第j个指标的权重；
五、设计寒区河湖健康评价投影目标函数：以
Figure RE-GDA0004027740540000178
为单位投影方向向量，将13个寒区河湖健康评价指标线性投影为一维投影值Zi，公式如下：
Figure RE-GDA0004027740540000172
式中：i＝1,2,…,n为样本数，aj为单位投影方向向量
Figure RE-GDA0004027740540000179
第j维的值。根据局部投影点尽可能密集，投影点的聚类簇之间尽可能分散为标准构造寒区河湖健康评价投影目标函数，公式如下：
f＝Q·D (8)
式中：Q为类间距，计算公式如下：
Figure RE-GDA0004027740540000173
D为类密度，计算公式如下：
Figure RE-GDA0004027740540000174
式中
Figure RE-GDA00040277405400001710
为Zi的平均值，R为局部密度的窗口半径，R＝0.1·Q；rij＝|Zm-Zl|， m＝1,2,…,n，l＝1,2,…,n；f(R-rij)为单位阶跃函数，公式如下：
Figure RE-GDA0004027740540000175
六、利用改进的鲸鱼优化算法(Whale optimization algorithm, WOA)优化寒区河湖健康评价投影目标函数：通过求解寒区河湖健康评价投影目标函数最大化问题获得最佳投影方向
Figure RE-GDA0004027740540000176
数学模型如下：
Figure RE-GDA0004027740540000181
Figure RE-GDA0004027740540000182
利用改进的WOA求解上述优化问题；
七、获得寒区河湖健康评价结果：将步骤6求得的最佳投影方向
Figure RE-GDA0004027740540000185
代入公式(7)得到各个样本的投影值；按照公式(2)对每个样本的投影值进行归一化，根据归一化后的投影值和寒区河湖健康评价标准可得出样本的健康评价结果，实现对寒区河湖健康等级的划分评定。
实施例3：
一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，主要步骤见实施例2，参见图2，所述利用改进的WOA求解寒区河湖健康评价投影目标函数最大值问题的具体步骤如下：
一、确定适应度函数：由于改进的WOA是一种求解极小值问题的进化算法，因此对公式(12)进行改造，得到改进的WOA的适应度函数如下所示：
Figure RE-GDA0004027740540000183
Figure RE-GDA0004027740540000184
二、初始化改进的WOA参数：设置种群规模N，最大迭代次数M、对数螺旋形状常系数b，种群个体编码长度L，当前迭代次数t。
三、基于立方混沌映射初始化种群：种群中的每个个体的初始化步骤如下：
(1)在搜索空间随机初始化一个编码长度为L的个体p＝[x1,x2,…,xL]，个体每一维度基因的取值范围为[ld,ud]，即ld≤xi≤ud；
(2)将个体P的每一维基因分别输入到如下公式迭代N-1次生成其他个体的每一维基因；
Figure RE-GDA0004027740540000191
(3)利用如下公式分别将N个个体的每一维基因映射到原搜索空间；
Figure RE-GDA0004027740540000192
式中，ud和ld分别表示第d维基因的上界和下界，gd表示某个个体第d维基因，yd表示映射到原搜索空间后的第d维基因；
四、利用公式(14)计算每个个体X(t)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t)，保存X*(t)；令Gbest＝X*(t)；
五、如果t≤M，计算a，A，C，计算公式如下：
Figure RE-GDA0004027740540000193
A＝2a·r1-a (19)
C＝2r2 (20)
式中：a为在迭代过程中由2逐渐线性减少到0的收敛因子；A和C为系数；r1和r2为[0,1]间的随机数；
六、计算l和p，l为[-1,1]间的随机数和p为[0,1]间的随机数；
七、计算基于正余弦变化的自适应惯性权重ω，公式如下：
Figure RE-GDA0004027740540000196
式中：k为常系数；
八、采用如下公式分别对每个个体X的空间位置进行更新：
Figure RE-GDA0004027740540000201
式中：X*(t)代表第t代的最优个体；Xrand(t)代表第t代除最优个体之外的其它个体；X(t+1)代表空间位置更新后的个体；D和D′的计算公式如下所示：
Figure RE-GDA0004027740540000202
Figure RE-GDA0004027740540000203
九、判断X(t+1)的每一维基因是否超出ud或ld，如果超出，则随机生成一个在[ld,ud]间的随机数替换该维基因；
十、利用公式(14)计算每个个体X(t+1)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t+1)，保存X*(t+1)；
十一、如果X*(t+1)比Gbest＝X*(t)小，则Gbest＝X*(t+1)；
十二、如果t＜M，t＝t+1，重复执行步骤5到12；如果t≥M，输出Gbest；Gbest即为最佳投影方向
Figure RE-GDA0004027740540000205
实施例4：
一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，主要步骤见实施例2，所述利用熵权法计算各评价指标的客观权重的具体步骤如下：
(1)计算第i个样本第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000204
(2)计算第j个指标的熵值，公式如下：
Figure RE-GDA0004027740540000211
(3)计算第j个指标的权重，公式如下：
Figure RE-GDA0004027740540000212
实施例5：
一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置，主要步骤见实施例2，所述对评价指标值进行归一化处理的具体步骤如下：
成本型指标(指标数值越小越优)的计算公式如下：
Figure RE-GDA0004027740540000213
收益型指标(指标数值越大越优)的计算公式如下：
Figure RE-GDA0004027740540000214
式中：i为样本数，j为评价指标数，x*(i,j)代表归一化后的指标值，x(i,j) 为归一化前的指标值，xmin(j)代表第j个评价指标的最小值， xmax(j)代表第j个评价指标的最大值；
实施例6：
图4为本发明实施例提供的一种基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价装置的结构示意图，具体包括：
确定模块401，用于基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价的组成结构，确定用于寒区河湖健康评价的多个参数指标；
所述确定模块401，还用于基于多个所述参数指标，确定每个参数指标对应的多个评价要素；
计算模块402，用于基于每个参数指标对应的多个评价要素，确定每个参数指标指数，得到多个参数指标指数；
所述计算模块402，还用于基于多个所述参数指标指数，确定所述基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康的评价结果。
在一个可能的实施方式中，所述计算模块402，具体用于基于每个参数指标对寒区河湖健康评价的影响程度，为每个参数指标进行权重分配；基于多个所述评价要素对参数指标的影响程度以及每个参数指标分配的权重，为每个评价要素进行权重分配；基于每个参数指标对应的多个评价要素，以及每个评价要素对应的权重，确定每个参数指标指数，得到多个参数指标指数。
在一个可能的实施方式中，所述计算模块402，还用于基于多个所述参数指标指数以及每个参数指标对应的权重，确定所述基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价结果。
在一个可能的实施方式中，所述计算模块402，还用于基于所述健康评价结果确定所述寒区河湖健康状态。
本实施例提供的基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价的装置可以是如图4中所示的寒区河湖健康评价装置，可执行如图1-2中基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置的所有步骤，进而实现图1-2所示基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置的技术效果，具体请参照图1-2相关描述，为简洁描述，在此不作赘述。
实施例7：
图5为本发明实施例提供的一种计算机设备的结构示意图，图5所示的计算机设备500包括：至少一个处理器501、存储器502、至少一个网络接口504和其他用户接口503，计算机设备500中的各个组件通过总线系统505耦合在一起，可理解，总线系统505用于实现这些组件之间的连接通信，总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
其中，用户接口503可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器 (Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存，易失性存储器可以是随机存取存储器 (RandomAccess Memory，RAM)，其用作外部高速缓存，通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)，本文描述的存储器 502旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和应用程序5022。
其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务，应用程序5022，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器 (Browser)等，用于实现各种应用业务，实现本发明实施例方法的程序可以包含在应用程序5022中。
在本发明实施例中，通过调用存储器502存储的程序或指令，具体的，可以是应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤，例如包括：
基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康的组成结构，确定用于干旱区灌溉绿洲水生态系统健康评价的多个参数指标；基于多个所述参数指标，确定每个参数指标对应的多个评价要素；基于每个参数指标对应的多个评价要素，确定每个参数指标指数，得到多个参数指标指数；基于多个所述参数指标指数，确定所述寒区河湖健康的评价结果。
在一个可能的实施方式中，基于每个参数指标对寒区河湖健康的评价的影响程度，为每个参数指标进行权重分配；基于多个所述评价要素对参数指标的影响程度以及每个参数指标分配的权重，为每个评价要素进行权重分配；基于每个参数指标对应的多个评价要素，以及每个评价要素对应的权重，确定每个参数指标指数，得到多个参数指标指数。
在一个可能的实施方式中，基于多个所述参数指标指数以及每个参数指标对应的权重，确定所述基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康的评价结果。
在一个可能的实施方式中，基于所述健康评价结果确定所述寒区河湖的健康状态。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成，上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成，软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中，该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备 (DSPDevice，DSPD)、可编程逻辑设备(ProgrammableLogicDevice， PLD)、现场可编程门阵列(Field-Programmable GateArray，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术，软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的计算机设备可以是如图5中所示的计算机设备，可执行如图1-2中一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置的所有步骤，进而实现图1-2所示一种基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置的技术效果，具体请参照图1-2相关描述，为简洁描述，在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)，这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在计算机设备侧执行的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置。
所述处理器用于执行存储器中存储的基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价程序，以实现以下在计算机设备侧执行的基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价的步骤：
基于干旱区灌溉绿洲水生态系统的组成结构，确定用于干旱区灌溉绿洲水生态系统健康评价的多个参数指标；基于多个所述参数指标，确定每个参数指标对应的多个评价要素；基于每个参数指标对应的多个评价要素，确定每个参数指标指数，得到多个参数指标指数；基于多个所述参数指标指数，确定所述基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价的健康评价结果。
在一个可能的实施方式中，基于每个参数指标对寒区河湖健康评价的影响程度，为每个参数指标进行权重分配；基于多个所述评价要素对参数指标的影响程度以及每个参数指标分配的权重，为每个评价要素进行权重分配；基于每个参数指标对应的多个评价要素，以及每个评价要素对应的权重，确定每个参数指标指数，得到多个参数指标指数。在一个可能的实施方式中，基于多个所述参数指标指数以及每个参数指标对应的权重，确定所述基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价结果。
在一个可能的实施方式中，基于所述寒区河湖的健康状态。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤，这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件，专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施，软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。以上公开的本发明优选实施例只是利于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (13)

1.基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，包括以下步骤：
S1、构建寒区河湖健康评价指标体系：从水文水资源、物理结构、水质、水生生物、社会服务功能、管理六个层面共选取13个寒区河湖健康评价指标，包括：生态流量满足程度、河流纵向连通指数、水质优劣程度、天然湿地保留率、水土保持率、水功能区水质达标率、岸带状况、鱼类保有指数、大型底栖无脊椎动物生物完整性指数、堤防工程达标率、公众满意度、入河排污口规范化建设程度和取水口规范化管理程度13个，通过数据采集装置采集和输入上述指标；
S2、对评价指标值进行归一化处理：消除S1所述寒区河湖健康评价指标值间的量纲。
成本型指标(指标数值越小越优)的计算公式如下：
Figure RE-FDA0004027740530000011
收益型指标(指标数值越大越优)的计算公式如下：
Figure RE-FDA0004027740530000012
式中：i为样本数，j为评价指标数，x*(i,j)代表归一化后的指标值，x(i,j)为归一化前的指标值，xmin(j)代表第j个评价指标的最小值，xmax(j)代表第j个评价指标的最大值；
S3、利用熵权法计算各评价指标的客观权重；
(1)计算第i个样本第j个指标的权重，公式如下：
Figure RE-FDA0004027740530000021
(2)计算第j个指标的熵值，公式如下：
Figure RE-FDA0004027740530000022
(3)计算第j个指标的权重，公式如下：
Figure RE-FDA0004027740530000023
S4、利用S3计算得到的权重对评价指标值进行加权处理：将S3得到的每个评价指标的权重分别与评价指标值进行乘法运算得到的评价指标值，公式如下：
Figure RE-FDA0004027740530000024
式中，
Figure RE-FDA0004027740530000025
代表加权后的指标值，wj代表第j个指标的权重；
S5、设计寒区河湖健康评价投影目标函数：以
Figure RE-FDA0004027740530000026
为单位投影方向向量，将13个寒区河湖健康评价指标线性投影为一维投影值Zi，公式如下：
Figure RE-FDA0004027740530000027
式中：i＝1,2,…,n为样本数，aj为单位投影方向向量
Figure RE-FDA0004027740530000028
第j维的值。
根据局部投影点尽可能密集，投影点的聚类簇之间尽可能分散为标准构造寒区河湖健康评价投影目标函数，公式如下：
f＝Q·D (8)
式中：Q为类间距，计算公式如下：
Figure RE-FDA0004027740530000031
D为类密度，计算公式如下：
Figure RE-FDA0004027740530000032
式中Z为Zi的平均值，R为局部密度的窗口半径，R＝0.1·Q；rij＝|Zm-Zl|，m＝1,2,…,n，l＝1,2,…,n；f(R-rij)为单位阶跃函数，公式如下：
Figure RE-FDA0004027740530000033
S6、利用改进的鲸鱼优化算法(Whale optimization algorithm,WOA)优化寒区河湖健康评价投影目标函数：通过求解寒区河湖健康评价投影目标函数最大化问题获得最佳投影方向
Figure RE-FDA0004027740530000034
数学模型如下：
max f＝Q·D (12)
Figure RE-FDA0004027740530000035
利用改进的WOA求解上述优化问题；
S7、获得寒区河湖健康评价结果：将S6求得的最佳投影方向
Figure RE-FDA0004027740530000036
代入公式(7)得到各个样本的投影值；按照公式(2)对每个样本的投影值进行归一化，根据归一化后的投影值和寒区河湖健康评价标准可得出样本的健康评价结果，实现对寒区河湖健康等级的划分评定。
2.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述的改进的WOA优化寒区河湖健康评价投影目标函数的具体步骤如下：
S1、确定适应度函数：由于改进的WOA是一种求解极小值问题的进化算法，因此对公式(12)进行改造，得到改进的WOA的适应度函数如下所示：
Figure RE-FDA0004027740530000041
Figure RE-FDA0004027740530000042
S2、初始化改进的WOA参数：设置种群规模N，最大迭代次数M、对数螺旋形状常系数b，种群个体编码长度L，当前迭代次数t。
S3、基于立方混沌映射初始化种群：种群中的每个个体的初始化步骤如下：
(1)在搜索空间随机初始化一个编码长度为L的个体p＝[x1,x2,…,xL]，个体每一维度基因的取值范围为[ld,ud]，即ld≤xi≤ud；
(2)将个体P的每一维基因分别输入到如下公式迭代N-1次生成其他个体的每一维基因；
Figure RE-FDA0004027740530000043
(3)利用如下公式分别将N个个体的每一维基因映射到原搜索空间；
Figure RE-FDA0004027740530000044
式中，ud和ld分别表示第d维基因的上界和下界，gd表示某个个体第d维基因，yd表示映射到原搜索空间后的第d维基因；
S4、利用公式(14)计算每个个体X(t)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t)，保存X*(t)；令Gbest＝X*(t)；
S5、如果t≤M，计算a，A，C，计算公式如下：
Figure RE-FDA0004027740530000051
A＝2a·r1-a (19)
C＝2r2 (20)
式中：a为在迭代过程中由2逐渐线性减少到0的收敛因子；A和C为系数；r1和r2为[0,1]间的随机数；
S6、计算l和p，l为[-1,1]间的随机数和p为[0,1]间的随机数；
S7、计算基于正余弦变化的自适应惯性权重ω，公式如下：
Figure RE-FDA0004027740530000052
式中：k为常系数；
S8、采用如下公式分别对每个个体X的空间位置进行更新：
Figure RE-FDA0004027740530000053
式中：X*(t)代表第t代的最优个体；Xrand(t)代表第t代除最优个体之外的其它个体；X(t+1)代表空间位置更新后的个体；D和D′的计算公式如下所示：
D＝|C·Xrand(t)-X(t)| (23)
D′＝|X*(t)-X(t)| (24)
S9、判断X(t+1)的每一维基因是否超出ud或ld，如果超出，则随机生成一个在[ld,ud]间的随机数替换该维基因；
S10、利用公式(14)计算每个个体X(t+1)的适应度值，将适应度值最小的个体作为该代最佳个体X*(t+1)，保存X*(t+1)；
S11、如果X*(t+1)比Gbest＝X*(t)小，则Gbest＝X*(t+1)；
S12、如果t＜M，t＝t+1，重复执行步骤5到12；如果t≥M，输出Gbest；Gbest即为最佳投影方向
Figure RE-FDA0004027740530000061
3.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，评价标准设置投影值最高分为1，0-0.40代表劣态、0.41-0.55代表不健康，0.56到0.70代表亚健康，0.71-0.90代表健康，0.91-100代表非常健康。
4.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述公众满意度采用公众参与调查统计的方法进行，问卷调查的内容包括水量、水质、水生生物、景观娱乐、河湖管理。
5.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述改进WOA利用立方混沌映射初始化种群。
6.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述改进WOA采用基于正余弦变化的自适应惯性权重优化鲸鱼优化算法的个体空间位置更新过程。
7.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述水功能区水质达标率采用河段年度水质达标状况代表。
8.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述生态流量满足程度采用寒冷地区不同水期流量与生态流量关系代表。
9.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述熵权法计算寒区河湖健康评价指标的权重。
10.根据权利要求1所述的基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法，其特征在于，所述水土保持率采用区域现状水土保持率与目标年份关系代表。
11.基于鲸鱼算法和投影寻踪的寒区河湖健康评价装置，其特征在于，包括：
确定模块，用于基于改进鲸鱼优化算法优化投影寻踪的寒区河湖健康评价的组成结构，确定用于寒区河湖健康评价的多个参数指标；
所述确定模块，还用于基于多个所述参数指标，确定每个参数指标对应的多个评价要素；
计算模块，用于基于每个参数指标对应的多个评价要素，确定每个参数指标指数，得到多个参数指标指数；
所述计算模块，还用于基于多个所述参数指标指数，确定所述寒区河湖健康评价结果。
12.一种计算机设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的寒区河湖健康评价的健康评价程序，以实现权利要求1～10中任一项所述的寒区河湖的健康评价方法。
13.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～10中任一项所述的寒区河湖的健康评价方法。
CN202211454998.3A 2022-11-21 2022-11-21 基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置 Active CN115689389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211454998.3A CN115689389B (zh) 2022-11-21 2022-11-21 基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211454998.3A CN115689389B (zh) 2022-11-21 2022-11-21 基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置

Publications (2)

Publication Number Publication Date
CN115689389A true CN115689389A (zh) 2023-02-03
CN115689389B CN115689389B (zh) 2023-07-14

Family

ID=85054405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211454998.3A Active CN115689389B (zh) 2022-11-21 2022-11-21 基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置

Country Status (1)

Country Link
CN (1) CN115689389B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007214360A1 (en) * 2006-09-01 2008-03-20 Innovative Dairy Products Pty Ltd Whole genome based genetic evaluation and selection process
CN111985846A (zh) * 2020-09-02 2020-11-24 王磊 基于微粒群优化投影寻踪的城市管理质量综合评价方法
CN112651586A (zh) * 2020-09-11 2021-04-13 南京中禹智慧水利研究院有限公司 一种河湖生态健康智能诊断的方法
CN112766343A (zh) * 2021-01-12 2021-05-07 郑州轻工业大学 一种基于改进woa-svm的网络安全态势评估方法
CN114489061A (zh) * 2022-01-17 2022-05-13 湖北工业大学 一种基于鲸鱼优化算法的平滑路径规划方法
WO2022127037A1 (zh) * 2020-12-17 2022-06-23 平安科技（深圳）有限公司 一种数据分类方法、装置及相关设备
CN114840020A (zh) * 2022-04-21 2022-08-02 重庆邮电大学 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007214360A1 (en) * 2006-09-01 2008-03-20 Innovative Dairy Products Pty Ltd Whole genome based genetic evaluation and selection process
CN111985846A (zh) * 2020-09-02 2020-11-24 王磊 基于微粒群优化投影寻踪的城市管理质量综合评价方法
CN112651586A (zh) * 2020-09-11 2021-04-13 南京中禹智慧水利研究院有限公司 一种河湖生态健康智能诊断的方法
WO2022127037A1 (zh) * 2020-12-17 2022-06-23 平安科技（深圳）有限公司 一种数据分类方法、装置及相关设备
CN112766343A (zh) * 2021-01-12 2021-05-07 郑州轻工业大学 一种基于改进woa-svm的网络安全态势评估方法
CN114489061A (zh) * 2022-01-17 2022-05-13 湖北工业大学 一种基于鲸鱼优化算法的平滑路径规划方法
CN114840020A (zh) * 2022-04-21 2022-08-02 重庆邮电大学 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刁俊科: "基于鲸鱼优化算法与投影寻踪耦合的云南省初始水权分配", 《自然资源学报》, pages 1954 - 1967 *

Also Published As

Publication number Publication date
CN115689389B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
McMillan A review of hydrologic signatures and their applications
Wang et al. Assessment of river water quality based on theory of variable fuzzy sets and fuzzy binary comparison method
Angermeier et al. Regional frameworks and candidate metrics for assessing biotic integrity in mid-Atlantic highland streams
Razavi et al. An evaluation of regionalization and watershed classification schemes for continuous daily streamflow prediction in ungauged watersheds
Brenden et al. Quantitative identification of disturbance thresholds in support of aquatic resource management
Surabuddin Mondal et al. Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques
Snelder et al. A procedure for making optimal selection of input variables for multivariate environmental classifications
Leclere et al. A comparison of modeling techniques to predict juvenile 0+ fish species occurrences in a large river system
Devineni et al. Multimodel ensembles of streamflow forecasts: Role of predictor state in developing optimal combinations
Li et al. Geographically weighted elastic net: A variable-selection and modeling method under the spatially nonstationary condition
Galván et al. Average vs. extreme salinity conditions: Do they equally affect the distribution of macroinvertebrates in estuarine environments?
Melcher et al. Spatially based methods to assess the ecological status of European fish assemblage types
Moeltner et al. Waters of the United States: Upgrading wetland valuation via benefit transfer
Johnson et al. Leveraging spatial information to forecast nonlinear ecological dynamics
Jeremiah et al. Specifying a hierarchical mixture of experts for hydrologic modeling: Gating function variable selection
Botterill et al. Using machine learning to identify hydrologic signatures with an encoder–decoder framework
Gargallo et al. MCMC Bayesian spatial filtering for hedonic models in real estate markets
Gurney et al. Form and uncertainty in stock–recruitment relations: observations and implications for Atlantic salmon (Salmo salar) management
CN115409394B (zh) 一种河流连通性综合评价方法及系统
CN115689389B (zh) 基于鲸鱼算法和投影寻踪的寒区河湖健康评价方法及装置
Hagy III et al. Quantifying coastal ecosystem trophic state at a macroscale using a Bayesian analytical framework
Vista et al. Addressing dependency in the sportfishing valuation literature: Implications for meta-regression analysis and benefit transfer
Chen et al. Dynamically weighted ensemble of geoscientific models via automated machine-learning-based classification
Munch et al. A Bayesian approach to identifying mixtures from otolith chemistry data
Moeini et al. Supervised stacking ensemble machine learning approach for enhancing prediction of total suspended solids concentration in Urban watersheds

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