粒子群優(yōu)化與支持向量機(jī)在河流水質(zhì)模擬預(yù)測(cè)中的應(yīng)用.pdf

1、水質(zhì)模擬預(yù)測(cè)是順利實(shí)現(xiàn)水環(huán)境規(guī)劃管理、水污染綜合防治等任務(wù)不可缺少的基礎(chǔ)性工作，是具有普遍意義的一項(xiàng)重要內(nèi)容。機(jī)理性水質(zhì)模型考慮了影響水質(zhì)變化的諸多因素，模型概念清晰，但模型參數(shù)估計(jì)比較困難，這常使其在我國(guó)許多河流系統(tǒng)中的進(jìn)一步應(yīng)用受到限制。非機(jī)理性水質(zhì)模擬預(yù)測(cè)方法通常針對(duì)某一特定的水質(zhì)系統(tǒng)，通過(guò)數(shù)學(xué)統(tǒng)計(jì)或其他數(shù)學(xué)方法建立模型，也?？梢匀〉幂^好的模擬預(yù)測(cè)效果。 粒子群優(yōu)化算法是Eberhart和Kennedv通過(guò)對(duì)鳥群、魚群行為

2、的研究而提出的一種新的尋優(yōu)技術(shù)。該算法兼?zhèn)溲莼惴ê腿褐悄艿奶卣鳎?jiǎn)單易行且性能穩(wěn)定，在優(yōu)化問題中?？梢员憩F(xiàn)出非同尋常的求解能力。與遺傳算法類似，系統(tǒng)首先初始化為一組隨機(jī)解，群體中的每一個(gè)體稱之為粒子，粒子通過(guò)自身和群體的最優(yōu)位置來(lái)更新其速度和位置。但該算法仍存在易陷入局部最優(yōu)，且搜索精度不高等缺點(diǎn)，為此，本文提出了一種基于群體適應(yīng)值方差和最優(yōu)適應(yīng)值變化誤差的自適應(yīng)粒子群算法，較之標(biāo)準(zhǔn)的粒子群算法，該算法的全局搜索能力有了顯著提高，能夠

3、有效避免早熟收斂。在實(shí)際的水質(zhì)模擬預(yù)測(cè)中，機(jī)理性水質(zhì)模型的參數(shù)估值問題，通常是轉(zhuǎn)化為最小化水質(zhì)指標(biāo)測(cè)量值和模擬值之間的誤差平方和。由于此類優(yōu)化問題存在多個(gè)局部極值，且具有高度非線性，用傳統(tǒng)的優(yōu)化方法很難解決，本文將自適應(yīng)粒子群算法用于此類優(yōu)化問題的求解，四個(gè)算例的測(cè)試結(jié)果表明該方法具有較高的求解精度，且操作簡(jiǎn)單易于實(shí)現(xiàn)。 支持向量機(jī)是在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的基礎(chǔ)上提出的一種新的機(jī)器學(xué)習(xí)方法，它追求的是在有限樣本下的最優(yōu)

4、解而不僅僅是樣本數(shù)趨于無(wú)窮大時(shí)的最優(yōu)解，比以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)算法具有更強(qiáng)的理論依據(jù)和更好的泛化性能。最小二乘支持向量機(jī)是標(biāo)準(zhǔn)支持向量機(jī)的改進(jìn)算法，它通過(guò)將最小二乘線性系統(tǒng)引入支持向量機(jī)，代替了標(biāo)準(zhǔn)支持向量機(jī)采用二次規(guī)劃方法解決函數(shù)估計(jì)問題的做法。針對(duì)水質(zhì)模擬預(yù)測(cè)的非機(jī)理性應(yīng)用，本文嘗試將支持向量機(jī)用于河流水質(zhì)的模擬預(yù)測(cè)，建立了上游水質(zhì)影響因子和下游斷面溶解氧的輸入響應(yīng)關(guān)系，訓(xùn)練數(shù)據(jù)的模擬效果很好，預(yù)測(cè)結(jié)果也在可以接受的范圍