CN117196019B - 基于改进自适应遗传算法的新安江模型参数率定方法 - Google Patents
基于改进自适应遗传算法的新安江模型参数率定方法 Download PDFInfo
- Publication number
- CN117196019B CN117196019B CN202310932513.5A CN202310932513A CN117196019B CN 117196019 B CN117196019 B CN 117196019B CN 202310932513 A CN202310932513 A CN 202310932513A CN 117196019 B CN117196019 B CN 117196019B
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- adaptive
- fitness
- algorithm
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 230000035772 mutation Effects 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000000739 chaotic effect Effects 0.000 claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 108090000623 proteins and genes Proteins 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 19
- 238000004088 simulation Methods 0.000 description 19
- 238000005457 optimization Methods 0.000 description 18
- 230000002028 premature Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000006424 Flood reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005562 fading Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 4
- 238000001704 evaporation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于改进自适应遗传算法的新安江模型参数率定方法，利用混沌变量遍历性特点，随机生成初始种群并选优，提高初始种群的个体质量；针对交叉与变异的进化过程，设计了反映种群离散程度的种群适应度函数离散系数，并利用种群适应度函数离散系数构建了自适应调整交叉与变异概率算子，防止遗传算法过早收敛；依托环形交叉算子，提高算法全局搜索能力；采用自适应非均匀变异算子，实时优化算法的局部搜索能力，避免陷入局部最优。
Description
技术领域
本发明涉及水文水利技术领域，尤其涉及基于改进自适应遗传算法的新安江模型参数率定方法。
背景技术
精准可靠的水文预报对于提高防洪“四预”能力具有重要意义。由于水文过程具有不确定性和高度非线性的特点，在水文模拟时需要通过模型参数率定来校准水文模型，使其模拟效果与实际水文过程相匹配。采用合适的优化方法率定复杂的水文模型参数，一直是国内外不断探索的热点课题。随着人工智能技术的发展，大量优秀的人工智能算法被应用模型参数的率定，如遗传算法、粒子群算法、SCE－UA算法等。基于人工智能算法的模型参数自动优化方法，能够比人工优化方法更易、更快地找到全局最优解，避免人为的主观偏见和误差，对提高水文预报精度具有重要意义。
遗传算法(GA)是一种模拟生物遗传进化过程的全局优化概率搜索算法，因其简单通用、鲁棒性好和全局搜索能力强等特点，已成为水文模型参数率定的一个重要研究方向。针对传统遗传算法局部搜索能力弱，过程控制参数依赖人工经验，存在不成熟的过早收敛或者收敛缓慢等难题，研究人员采用多种方法提高遗传算法性能。王森等人根据Srinivas提出自适应遗传算法(AGA)，采用线性自适应交叉与变异概率公式，对种群的进化过程进行控制，避免种群早熟及过早收敛；杨从锐等人采用反正弦函数的非线性自适应交叉与变异概率公式，能够根据种群个体的适应度值全程优化交叉与变异概率。目前遗传算法经过自适应优化后，仍然存在着初始种群多样性差，局部搜索自适应能力弱，以及自适应调整缺乏对种群进化程度的考虑等问题。模型参数率定是提高水文模型模拟效果的重要手段，通过研究一种改进的自适应遗传算法(IAGA)对新安江模型参数进行优化率定，解决传统遗传算法初始种群质量不高、容易早熟收敛、局部搜索能力差等问题。
发明内容
为了解决上述技术问题，本发明提出基于改进自适应遗传算法的新安江模型参数率定方法，通过采用混沌算法优化初始种群，结合自适应交叉与变异概率算子，以及环形交叉算子和自适应非线性变异算子，对传统遗传算法过程进行一系列优化改进，提出了一种新型的改进自适应遗传算法(IAGA)。将IAGA算法应用于秦淮河流域的新安江模型参数率定，从水文过程模拟、率定收敛性和稳定性等方面与GA和AGA算法进行对比研究，结果表明IAGA算法具有更优的寻优能力，更好的收敛结果，更高的稳定性和精度，场次洪水的模拟效果优于GA算法和AGA算法。
为了达到上述目的，本发明的技术方案如下：
基于改进自适应遗传算法的新安江模型参数率定方法，包括如下步骤：
步骤1，确定新安江模型中的待优化参数组，进行参数初始化；
步骤2，将每个待优化参数设为染色体基因片段，待优化参数组作为1个染色体即1个种群个体，基于混沌算法确定初始种群；
步骤3，根据适应度函数，计算当前种群中每个种群个体的适应度，保留适应度最优的种群个体，并通过轮盘赌选择法从剩余的父代个体中选择出优良个体，将适应度最优的个体和优良个体作为下一代个体；
步骤4，对当前种群无放回地抽取一对个体，根据自适应交叉概率和环形交叉算子对所述一对染色体的基因片段进行交换，重复交叉操作，直至抽取完当前种群中所有个体；
步骤5，根据自适应变异概率和自适应非均匀变异算子对种群个体的染色体进行变异操作，对染色体基因的值进行局部搜索形成新的变异值；
步骤6，判断当前进化代数是否达到最大进化代数，若否，则返回步骤3，对新种群进行适应度评价；若是，则达到停止条件，进入下一步骤；
步骤7，将种群中适应度最高的个体作为最优解进行输出。
优选地，所述待优化参数组包括蒸散发折算系数、自由水蓄水容量、自由水蓄水容量曲线指数、壤中流出流系数、河网水消退系数、壤中流消退系数和地下径流消退系数，并确保地下水出流系数和壤中流出流系数之和为0.7。
优选地，所述基于混沌算法确定初始种群，具体包括如下步骤：
将混沌变量映射到待优化参数组的取值范围，获取初种群；
计算初种群中种群个体的适应度值，并将种群个体按所述适应度值进行排序，取排名靠前的p个种群个体组成初始种群。
优选地，采用十进制浮点数对种群个体的染色体进行编码。
优选地，所述适应度函数f(x)的公式如下：
式中R2为确定性系数，NSE为Nash-Sutcliffe效率系数，F(x)为目标函数，Qobs表示观测流量，表示观测流量平均值，Qsim表示模拟流量m3·S-1，/>表示模拟流量平均值，θ为径流过程时序数。
优选地，所述自适应交叉概率Pc和自适应变异概率Pm的公式如下：
式中k1、k2、k3、k4为自适应控制参数，f’为待交叉的两个个体中较大的适应度值，fmax为种群的最大适应度，fmin为种群的最小适应度，γ0为初代种群的适应度函数离散性系数，γt为t代种群的适应度函数离散性系数，公式如下：
式中t表示当前种群的进化代数，fk(k＝1，2，…，p)表示当前种群个体的适应度值，p为种群规模，表示当前种群个体的适应度平均值。
优选地，所述自适应非均匀变异算子的公式如下：
式中，xi(i＝1，2，…，w)表示种群个体，Umax为xi取值的上限，Umin为xi取值的下限，u为区间[0,1]内的随机数，rand表示区间或/> 内的随机数。
基于上述技术方案，本发明的有益效果是：本发明利用混沌变量遍历性特点，随机生成初始种群并选优，提高初始种群的个体质量；针对交叉与变异的进化过程，设计了反映种群离散程度的种群适应度函数离散系数，利用该系数构建了自适应调整交叉与变异概率算子，防止遗传算法过早收敛；依托环形交叉算子，提高算法全局搜索能力；采用自适应非均匀变异算子，实时优化算法的局部搜索能力，避免陷入局部最优。将自适应遗传算法、传统遗传算法(GA)和自适应遗传算法(AGA)应用于秦淮河流域新安江模型的参数率定，并从率定的收敛性、耗时、稳定性和效果方面进行算法的性能比较，结果表明IAGA算法具有更优的寻优能力，更好的收敛结果，更高的稳定性和精度，场次洪水的模拟效果优于GA算法和AGA算法，率定期与验证期确定性系数(R2)均在0.85以上，Nash-Sutcliffe效率系数(NSE)均在0.8以上，总体达到了水文预报的乙级标准。研究结果表明采用上述的综合手段改进传统遗传算法是可行的，改进后的IAGA算法具有良好的应用前景，为新安江模型的自动率定提供了一种有效的途径。
附图说明
图1是一个实施例中基于改进自适应遗传算法的新安江模型参数率定方法流程图；
图2是一个实施例中GA、AGA和IAGA算法三种优化算法的收敛过程；
图3是一个实施例中GA、AGA和IAGA算法多次运行的目标函数值；
图4是一个实施例中场次洪水实测流量与模拟流量过程线图，其中图(a)为20090720场次洪水实测流量与模拟流量过程线图；图(b)为20130702场次洪水实测流量与模拟流量过程线图；图(c)为20140629场次洪水实测流量与模拟流量过程线图；图(d)为20150530场次洪水实测流量与模拟流量过程线图；图(e)为20150614场次洪水实测流量与模拟流量过程线图；图(f)为20160627场次洪水实测流量与模拟流量过程线图；图(g)为20170607场次洪水实测流量与模拟流量过程线图；图(h)为20170923场次洪水实测流量与模拟流量过程线图；图(I)为20180704场次洪水实测流量与模拟流量过程线图；图(J)为20180814场次洪水实测流量与模拟流量过程线图。
具体实施方式
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。
新安江模型属于概念性水文模型，适用于湿润半湿润地区水文模拟，主要包含四个计算模块，分别为：蒸散发、产流、水源划分和汇流，其中蒸散发采用三层蒸散发模式，产流采用蓄满产流模型，水源划分为地表径流、壤中流与地下径流，汇流模块中壤中流与地下径流采用线性水库法，河网汇流采用滞后演算法，河道演进采用分段连续演算的马斯京根法。新安江模型的主要参数、参数意义及取值范围如表1所示。
表1参数取值范围
如图1所示，本实施例提供一种基于改进自适应遗传算法的新安江模型参数率定方法，包括如下步骤：
步骤1，确定新安江模型中的待优化参数组，进行参数初始化。
新安江模型总共有16个参数，考虑到若都参与率定，通常导致参数组的最优解不稳定且不唯一，参数的率定结果不一定符合实际意义。因此，本实施例中假定各参数取值在流域各子计算单元保持一致，根据流域下垫面资料并结合已有经验来固定部分参数，包括WUM、WLM、WDM、C、WM、B、IM、L，其值如表2所示，并固定结构性约束KG+KI＝0.7，主要对K、SM、EX、KI、CS、CI、CG参数进行率定。通过降低整个待优化参数组的维数，既结合模型自身的水文特性，同时也充分发挥了遗传算法优越性，提高了优选运行效率。
表2参数WUM、WLM、WDM、WM、B、IM、C、L的人工率定结果
参数初始化。主要包括：种群规模p，混沌变量个数m，最大进化代数T，带求解问题维度w(待优化参数组中参数数量)，交叉与变异的相关参数等。
步骤2，将每个待优化参数设为染色体基因片段，待优化参数组作为1个染色体即1个种群个体，基于混沌算法确定初始种群。
本实施例中以确定性系数R2和Nash-Sutcliffe效率系数NSE组成的坐标对到点(1，1)的欧式距离作为次洪径流模拟过程与实测过程之间的拟合程度指标及目标函数。由于目标函数F(x)是求其最小值，在转换为适应度函数f(x)时需要采用如式(4)所示的方法，适应度值越大，被遗传到下一代的概率也就越大，则代表的目标函数值越小。
式中Qobs表示观测流量，表示观测流量平均值，Qsim表示模拟流量m3·S-1，/>表示模拟流量平均值，θ为径流过程时序数。
采用一种结合混沌搜索生成初始种群的改进方法，提高初始种群多样性，并且能够从混沌搜索结果中选取适应度较高的个体作为初始种群，进一步提高初始种群的质量，从而加快算法的收敛速度。混沌搜索采用的Logistic映射公式如式(5)所示：
xn+1＝μxn(1-xn) (5)
式中xn是[0,1]上的随机数，是变量x第n次迭代值，μ为控制参数，且μ∈[0,4]。当μ＝4时，Logistic映射公式处于完全混沌状态，且μ的初始值不能为0、0.25、0.5、0.75和1。生成初始种群时，首先随机生成w个不同的初始值，0≦xi,0≦1，i＝1，2，…，w，利用式(5)得到w维m个混沌变量{xi,j|i＝1，2，…，w；j＝1，2，…，m}。通过式(6)将混沌变量映射到优化变量x* i,j的取值范围内，即待优化参数组的取值范围。
式中ai和bi表示第i维变量的最小值和最大值。对于固定的j值，xi,j *＝(x1,j *，x2,j *，…，xw,j *)表示一个种群个体，利用变量xi,j *计算每个个体的适应度值f(x)，选择适应度较高的p个个体组成初始种群，为了让混沌搜索能够充分遍历，应保证足够大的m值，一般取300～500。
步骤3，根据适应度函数，计算当前种群中每个种群个体的适应度，保留适应度最优的种群个体，并通过轮盘赌选择法从剩余的父代个体中选择出优良个体，将适应度最优的个体和优良个体作为下一代个体。
本实施例中选择采用轮盘赌选择法(Roulette Wheel Selection method)，染色体的适应性越高，被选择的机会就越大。同时为保护当前群体中最优个体的染色体信息，采用精英保留策略，适应度最高的个体不进行交叉和变异操作，直接复制到下一代，保护种群最优个体的染色体信息免遭破坏。
步骤4，对当前种群无放回地抽取一对个体，根据自适应交叉概率和环形交叉算子对所述一对染色体的基因片段进行交换，重复交叉操作，直至抽取完当前种群中所有个体。
步骤5，根据自适应变异概率和自适应非均匀变异算子对种群个体的染色体进行变异操作，对染色体基因的值进行局部搜索形成新的变异值。
本实施例中，考虑传统GA算法采用固定的Pc和Pm值，当Pc和Pm取较大的值时会提高种群多样性，但容易破坏个体的优良染色体基因；当Pc和Pm取较小的值时会减少种群多样性，种群容易陷入局部最优导致过早收敛。对于遗传算法过程的自适应调整应当充分考虑种群的进化程度和个体的适应度两大因素，针对种群的进化程度，本实施例设计了反应种群进化程度的适应度函数离散系数γ，在进化初期种群的适应度函数离散性系数γ0最大，随着种群的进化，个体逐步向最优解逼近，离散性越来越小，理论上γ将趋近于0。
式中t表示当前种群的进化代数，fk(k＝1，2，…，p)表示当前种群个体的适应度值，p为种群规模，表示当前种群个体的适应度平均值；/>表示种群个体适应度值的标准差；/>表示种群个体适应度值的平均值。随着遗传算法进化代数t的增加，种群适应度平均水平不断提高，重复个体也逐渐增多，使得群体中个体适应度离散程度逐渐减低。依据自适应调整需要，结合适应度函数离散系数定义，改进的自适应遗传算法(IAGA)中自适应交叉概率和自适应变异概率公式如下：
式中k1～k4为自适应控制参数，且为减函数，随着种群的进化逐步趋近于0，由此可得Pc∈[k1,k1+k2)，同理可得Pm∈[k3,k3+k4)，根据历史经验和多次测试结果，将自适应交叉概率Pc设定于0.5与0.9之间，Pm设定于0.01与0.1之间，因此取k1＝0.5，k2＝0.4，k3＝0.01，k4＝0.09。
由公式可以看出，IAGA算法主要从种群进化程度和个体适应度两个维度进行交叉变异概率的自适应调整。对于整体种群，在进化初期应采用较大的Pc和Pm，在值域空间范围内进行全局搜索，提高进化效率，在进化后期种群逐渐逼近全局最优解，应采用较小的Pc和Pm，使其稳定收敛于最优解；对于种群个体，适应度值高的个体，采用相对较小的Pc和Pm，保留优良基因，适应度值小的个体，采用相对较大的Pc和Pm，提高进化效率。通过改进的自适应交叉变异概率，综合保障遗传算法在前期有高效的全局搜索能力，在后期有较好的稳定性和收敛性。
本实施例中结合环形交叉算子，该算子可以在交叉操作中环绕整个染色体两端来进行交叉，使得每个基因被选中的概率相等，有利于提高IAGA算法的全局搜索能力。
本实施例中设计了自适应非均匀变异算子，在进化初期在大区域范围内搜索，加强个体变异；在进化后期，在局部区域搜索，促进个体向最优解收敛。可避免十进制浮点数编码方式，传统采用均匀变异算子，即用一定范围内均匀随机数代替原有的基因，但是不能根据种群的进化程度灵活的调整搜索区域的问题。将个体xi(i＝1，2，…，w)，通过自适应非均匀变异算子得到x’i(i＝1，2，…，w)，其公式如下：
式中，Umax为xi取值的上限，Umin为xi取值的下限，u为区间[0,1]内的随机数，rand表示区间和/>内的随机数，/>主要负责根据种群的进化程度自适应的调整搜索区间。
步骤6，判断当前进化代数是否达到最大进化代数，若否，则返回步骤3，对新种群进行适应度评价；若是，则达到停止条件，进入下一步骤；
步骤7，将种群中适应度最高的个体作为最优解进行输出。
实验与分析
为验证IAGA算法在新安江模型参数率定中的应用性能与效果，采用分布式新安江模型对秦淮河上游的汛期径流过程进行模拟。使用前垾村(秦)水文站2009-2017年的汛期逐时径流量数据从《中华人民共和国水文年鉴——长江流域水文资料》中的实测流量成果表获取，其中前7场用于率定，后3场用于验证。分别利用GA、AGA和IAGA三种算法对新安江模型参数进行优化，并从率定收敛性、率定耗时、率定稳定性和洪水模拟效果四个方面进行度量与分析，三种算法的参数设置见表3。
表3GA、AGA和IAGA算法参数设置
1、率定收敛性
率定收敛性研究分别采用GA、AGA和IAGA算法对所选敏感参数进行优化迭代率定，求出目标函数的最优值，分析三种优化算法的收敛速度和收敛结果，参见图2为曲线图反映了三种优化算法的收敛过程。
在种群进化的初始阶段，IAGA算法由于引入了混沌搜索算法遍历性的特点生成初始种群，在经过优选后，其初始最大适应度优于随机生成初始种群的GA和AGA算法，不仅增加了种群多样性，而且提高了初始种群质量。
在种群进化的过程中，AGA和IAGA算法通过参数自适应调整，提高了初期种群优良染色体基因的遗传概率，其收敛速度比GA算法明显更快，且具有更强的全局搜索能力；但是AGA算法的自适应Pc和Pm算子，在进化后期会过度保留优良染色体基因，在初期虽然能够比IAGA算法更快的进化，但是随着种群离散性的减小，无法自适应的降低优良基因的保留概率，导致过早的局部收敛，未能解决GA算法早熟的问题。因此从收敛结果来看，虽然GA和AGA算法能够在较少的迭代次数下收敛，但是并没有寻求到最佳的个体。由于IAGA算法采用了自适应调整的算子，能够根据种群进化程度和个体适应度调整Pc和Pm。初期采用较高的Pc和Pm，提高种群多样性，避免早熟，后期采用较小的Pc和Pm，避免优良基因的破坏，保障稳定收敛；结合环形交叉算子和自适应非均匀变异算子，综合调整交叉变异效果，IAGA呈阶梯状，摆脱了局部收敛，体现出了较强的自适应能力，IAGA算法在寻优能力上明显优于GA和AGA算法。
在种群进化的收敛阶段，GA和AGA算法波动高于IAGA算法，一方面由于GA和AGA算法采用固定或部分固定的Pc和Pm值，在进化后期种群仍然保持较大的交叉与变异概率，容易破坏种群优良的染色体基因，不利于后期稳定的收敛；另一方面IAGA算法采用了自适应非均匀变异算子，随着进化的收敛种群离散性的降低，通过自适应的缩小变异的搜索范围，保证算法收敛的稳定性。
2、率定耗时
表4GA、AGA和IAGA算法在不同进化代数下的率定耗时
率定耗时研究从小到大选取多个迭代次数，GA、AGA和IAGA算法的率定耗时如表4所示，GA算法的参数率定耗时最少，其次是AGA算法和IAGA算法。GA算法简单，进化耗时少，但是收敛所需的迭代次数高于AGA算法，而且率定效果最差；AGA算法复杂度小于IAGA，能够以最小的进化代数收敛到最优值，率定效果优于GA算法，劣于IAGA算法，在对一些精度要求不高的问题进行优化时可以利用该优势，从而缩减优化时间，提高计算效率；IAGA算法由于采用多种复杂的自适应算子，需要确定的算法参数多，计算过程较为复杂，导致其计算量大，优化模型参数的时间较长。总体来说，遗传算法中耗时较长的主要是适应度函数计算步骤，因此采用自适应交叉与变异算子后，对率定耗时影响不大。
3、率定稳定性
率定稳定性取决于算法能否在各次相同的迭代次数下，得到稳定分布的参数值，因此可以从各参数方差和目标函数方差的大小反映算法的稳定性[30]。将参数优化率定过程重复进行50次，按目标函数取其最优值，每次都会得到一组最优的新安江模型参数以及目标函数值，总计50组，统计分析每个参数和目标函数的方差，通过数据的离散程度判别GA、AGA和IAGA算法的稳定性，结果如表5所示：
表5参数K、SM、EX、KI、CS、CI、CG的自动率定结果
由表5中的结果可以看出参数组优化结果并不稳定唯一，造成这样结果的很大一部分原因可能是“异参”同效作用的存在，同时不排除目标函数的选取单一，没有从整体上对各方面的模拟情况做约束等原因的影响。蒸散发折算系数K属于敏感参数，通常振幅较大，AGA和IAGA算法的率定结果的稳定性优于GA算法，方差大小较为理想；自由水蓄水容量SM虽然数值波动较大，但是实际应用中分辨率较低，因此方差大小可以接受；自由水蓄水容量曲线指数EX存在波动，考虑到EX属于不敏感参数，因此异参同效现象比较明显，存在一定的波动属于正常现象；壤中流出流系数KI和河网水消退系数CS，三种算法的率定结果相差不大，稳定性较为理想；壤中流消退系数CI和地下径流消退系数CG属于敏感参数，而且分辨率较高，AGA和IAGA的率定结果表现出良好的稳定性，远优于GA算法。通过对各参数方差的分析，总体上率定稳定性IAGA>AGA>GA，主要是由于自适应交叉变异概率和自适应非均匀变异算子，在种群进化收敛的过程中，自适应减小交叉变异概率，保障优良基因的不被破坏，逐步缩小变异搜索范围，有利于算法稳定。对比多次率定后目标函数的方差，如图3所示，其结果与参数方差的分析结果保持一致，IAGA算法的目标函数方差最小，说明其率定稳定性最优。
4、洪水模拟效果
算法的率定效果可以根据新安江模型对洪水的模拟误差来进行评价，表6对场次洪水的模拟误差进行了统计，图4展示了场次洪水的模拟效果。模拟效果的评价指标主要采用洪量、洪峰流量和峰现时间的相对误差、确定性系数R2，以及Nash-Sutcliffe效率系数NSE，根据《水文情报预报规范》分析各算法的预报精度，采用IAGA算法率定的10场洪水的洪峰流量、径流量均小于其许可误差，率定期和验证期的确定性系数R2均在0.85以上，大部分场次洪水达到0.9以上，Nash-Sutcliffe效率系数NSE均在0.8以上，部分场次洪水达到0.9以上，总体预报精度均达到乙级水平。
表6秦淮河流域洪水模拟误差统计表
通过与GA和AGA算法对比，经IAGA算法率定后的模拟效果更加接近实际洪水径流过程，GA算法的偏离最大，AGA算法次之，特别是20130702、20140629、20150614、20160627和20180704等场次洪水的洪量和洪峰的效果不理想，不合格率较高。据了解20160627场次洪水过程雨量洪量都较大，存在人为调度等因素，削减了实际洪峰，导致模拟结果中的洪峰计算值过大；20180814场次洪水洪峰起涨前，受下游感潮河段水力联系影响，出现流量下降现象，导致模拟结果的洪水过程线整体偏大，增大了洪量和洪峰相对误差。率定效果表明IAGA算法率定的秦淮河流域新安江模型参数基本上是合理的，并且效果优于传统的GA和AGA算法。
结论如下，针对新安江模型参数优化的特点，IAGA算法利用混沌优化的遍历性特点，提高了初始种群的个体质量；综合考虑种群进化程度和个体适应度两个维度，设计了自适应交叉变异概率算子，在种群进化初期，保证种群多样性，避免早熟，在种群进化后期，能够避免优良基因的破坏，保障稳定收敛；同时为加强局部重点区域的搜索，设计了自适应非均匀变异算子，根据种群进化程度，自适应的缩小优良个体变异的搜索范围，有利于进化收敛。以秦淮河流域为实例的场次洪水模拟结果表明，IAGA算法的模型参数率定效果优于传统的GA和AGA算法，在率定的收敛性和稳定性方面具有较好的优势。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅为本发明所公开的基于改进自适应遗传算法的新安江模型参数率定方法的优选实施方式，并非用于限定本说明书实施例的保护范围。凡是在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。
Claims (4)
1.基于改进自适应遗传算法的新安江模型参数率定方法，其特征在于，包括如下步骤：
步骤1，确定新安江模型中的待优化参数组，进行参数初始化；
步骤2，将每个待优化参数设为染色体基因片段，待优化参数组作为1个染色体即1个种群个体，基于混沌算法确定初始种群；
步骤3，根据适应度函数，计算当前种群中每个种群个体的适应度，保留适应度最优的种群个体，并通过轮盘赌选择法从剩余的父代个体中选择出优良个体，将适应度最优的个体和优良个体作为下一代个体；
步骤4，对当前种群无放回地抽取一对个体，根据自适应交叉概率和环形交叉算子对一对染色体的基因片段进行交换，重复交叉操作，直至抽取完当前种群中所有个体；
步骤5，根据自适应变异概率和自适应非均匀变异算子对种群个体的染色体进行变异操作，对染色体基因的值进行局部搜索形成新的变异值；
步骤6，判断当前进化代数是否达到最大进化代数，若否，则返回步骤3，对新种群进行适应度评价；若是，则达到停止条件，进入下一步骤；
步骤7，将种群中适应度最高的个体作为最优解进行输出，其中，
所述适应度函数f(x)的公式如下：
式中R2为确定性系数，NSE为Nash-Sutcliffe效率系数，F(x)为目标函数，Qobs表示观测流量，表示观测流量平均值，Qsim表示模拟流量m3·S-1，/>表示模拟流量平均值，θ为径流过程时序数
所述自适应交叉概率Pc和自适应变异概率Pm的公式如下：
式中k1、k2、k3、k4为自适应控制参数，f’为待交叉的两个个体中较大的适应度值，fmax为种群的最大适应度，fmin为种群的最小适应度，γ0为初代种群的适应度函数离散性系数，γt为t代种群的适应度函数离散性系数，公式如下：
式中t表示当前种群的进化代数，fk(k＝1，2，…，p)表示当前种群个体的适应度值，p为种群规模，表示当前种群个体的适应度平均值；
所述自适应非均匀变异算子的公式如下：
式中，xi(i＝1，2，…，w)表示种群个体，Umax为xi取值的上限，Umin为xi取值的下限，u为区间[0,1]内的随机数，rand表示区间或/>内的随机数。
2.根据权利要求1所述的基于改进自适应遗传算法的新安江模型参数率定方法，其特征在于，所述待优化参数组包括蒸散发折算系数、自由水蓄水容量、自由水蓄水容量曲线指数、壤中流出流系数、河网水消退系数、壤中流消退系数和地下径流消退系数，并确保地下水出流系数和壤中流出流系数之和为0.7。
3.根据权利要求1所述的基于改进自适应遗传算法的新安江模型参数率定方法，其特征在于，所述基于混沌算法确定初始种群，具体包括如下步骤：
将混沌变量映射到待优化参数组的取值范围，获取初种群；
计算初种群中种群个体的适应度值，并将种群个体按所述适应度值进行排序，取排名靠前的p个种群个体组成初始种群。
4.根据权利要求1所述的基于改进自适应遗传算法的新安江模型参数率定方法，其特征在于，采用十进制浮点数对种群个体的染色体进行编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932513.5A CN117196019B (zh) | 2023-07-27 | 2023-07-27 | 基于改进自适应遗传算法的新安江模型参数率定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932513.5A CN117196019B (zh) | 2023-07-27 | 2023-07-27 | 基于改进自适应遗传算法的新安江模型参数率定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196019A CN117196019A (zh) | 2023-12-08 |
| CN117196019B true CN117196019B (zh) | 2024-03-08 |
Family
ID=88991344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310932513.5A Active CN117196019B (zh) | 2023-07-27 | 2023-07-27 | 基于改进自适应遗传算法的新安江模型参数率定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196019B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104184170A (zh) * | 2014-07-18 | 2014-12-03 | 国网上海市电力公司 | 基于改进的自适应遗传算法的独立微网配置优化方法 |
| CN106951985A (zh) * | 2017-03-06 | 2017-07-14 | 河海大学 | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 |
| CN109818775A (zh) * | 2018-12-14 | 2019-05-28 | 南昌大学 | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 |
| CN111988256A (zh) * | 2020-07-27 | 2020-11-24 | 南京信息工程大学 | 一种基于改进的自适应遗传算法的水声信道估计方法 |
| CN112214862A (zh) * | 2019-12-31 | 2021-01-12 | 蜂巢能源科技有限公司 | 基于遗传算法的电池参数标定方法、系统及设备 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN112733463A (zh) * | 2020-09-11 | 2021-04-30 | 南京中禹智慧水利研究院有限公司 | 一种基于河网水动力模型的闸群联合调度方法 |
| CN112763988A (zh) * | 2020-12-24 | 2021-05-07 | 西安电子科技大学 | 基于自适应二进制粒子群遗传算法的混沌序列抗干扰波形设计方法 |
| CN115629614A (zh) * | 2022-12-20 | 2023-01-20 | 南京航空航天大学 | 一种基于遗传算法的仓储多agv路径规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229972A (zh) * | 2017-03-10 | 2017-10-03 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
-
2023
- 2023-07-27 CN CN202310932513.5A patent/CN117196019B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104184170A (zh) * | 2014-07-18 | 2014-12-03 | 国网上海市电力公司 | 基于改进的自适应遗传算法的独立微网配置优化方法 |
| CN106951985A (zh) * | 2017-03-06 | 2017-07-14 | 河海大学 | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 |
| CN109818775A (zh) * | 2018-12-14 | 2019-05-28 | 南昌大学 | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN112214862A (zh) * | 2019-12-31 | 2021-01-12 | 蜂巢能源科技有限公司 | 基于遗传算法的电池参数标定方法、系统及设备 |
| CN111988256A (zh) * | 2020-07-27 | 2020-11-24 | 南京信息工程大学 | 一种基于改进的自适应遗传算法的水声信道估计方法 |
| CN112733463A (zh) * | 2020-09-11 | 2021-04-30 | 南京中禹智慧水利研究院有限公司 | 一种基于河网水动力模型的闸群联合调度方法 |
| CN112763988A (zh) * | 2020-12-24 | 2021-05-07 | 西安电子科技大学 | 基于自适应二进制粒子群遗传算法的混沌序列抗干扰波形设计方法 |
| CN115629614A (zh) * | 2022-12-20 | 2023-01-20 | 南京航空航天大学 | 一种基于遗传算法的仓储多agv路径规划方法 |
Non-Patent Citations (6)
| Title |
|---|
| 动态加速自适应遗传算法的应用;王海波;宋星原;王文凯;;水电能源科学(第06期);全文 * |
| 基于并行遗传算法的新安江模型参数优化率定方法;武新宇, 程春田, 赵鸣雁;水利学报(第11期);全文 * |
| 基于改进自适应遗传算法的 新安江模型参数率定研究;左翔 等;中国农村水利水电;全文 * |
| 建设数字孪生秦淮河实现流域管理"四预"能力;朱跃龙 等;江苏水利;全文 * |
| 改进的自适应遗传算法在函数优化中的应用;杨从锐;钱谦;王锋;孙铭会;;计算机应用研究(第04期);全文 * |
| 水文模型参数优选的改进粒子群优化算法;张超;马金宝;冯杰;;武汉大学学报(工学版)(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196019A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230080737A1 (en) | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System | |
| CN106951980B (zh) | 一种基于rcp情景的水库群适应性调度方法 | |
| Fang et al. | A hybrid of real coded genetic algorithm and artificial fish swarm algorithm for short-term optimal hydrothermal scheduling | |
| Chen | Real coded genetic algorithm optimization of long term reservoir operation 1 | |
| CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
| Akorede et al. | Effective method for optimal allocation of distributed generation units in meshed electric power systems | |
| CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
| Vonk et al. | Adapting multireservoir operation to shifting patterns of water supply and demand: A case study for the xinanjiang-fuchunjiang reservoir cascade | |
| Lu et al. | Study on the optimal hydropower generation of Zhelin reservoir | |
| CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
| CN117744501B (zh) | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 | |
| CN101899820B (zh) | 面向河流生态系统保护的流域地表水可利用量确定方法 | |
| CN115049292B (zh) | 一种基于dqn深度强化学习算法的单一水库智能防洪调度方法 | |
| CN105243505B (zh) | 一种梯级水电站联合发电调度出力控制表编制方法 | |
| CN107657349B (zh) | 一种水库分期发电调度规则提取方法 | |
| CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
| CN117875752A (zh) | 基于自组织映射决策树的电力系统灵活运行域评估方法 | |
| CN117196019B (zh) | 基于改进自适应遗传算法的新安江模型参数率定方法 | |
| CN104268635A (zh) | 一种基于再分析资料的测风网络布局优化方法 | |
| CN105956715A (zh) | 一种土壤墒情预测方法及装置 | |
| Trivedi et al. | Reservoir operation management using a new hybrid algorithm of Invasive Weed Optimization and Cuckoo Search Algorithm | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
| CN116738830B (zh) | 一种耦合深度学习与机理模型的枯水预报方法 | |
| CN112271721B (zh) | 一种基于条件Copula函数的风电功率预测方法 | |
| CN114548680B (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 |
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 |