含有导数的智能优化算法求解水文水质参数优化问题

发布时间：2020-04-17 05:37

【摘要】：智能优化算法是一种通过模拟或揭示某些自然现象或过程的优化算法。因为其操作简单,对目标函数要求较低的特点目前已经广泛应用于复杂问题的求解。但智能优化算法全局收敛能力较强,局部收敛能力较差,目前的重点都在对其进行改进,提高它的局部收敛能力。通常的改进方法是将两种智能优化算法结合或将传统优化算法与智能优化算法相结合,而传统优化算法包含两类,一类包含导数,而另一类不需要求导。而含导数的传统优化算法收敛速度明显快于不含导数的传统优化算法。本文考虑到传统优化算法中的梯度下降法操作简单、局部收敛能力较强的特点,在智能优化算法的运算过程中加入梯度,构成含有导数的智能优化算法,并将其应用到水文地质参数和河流水质参数求解过程中。主要研究工作如下:本文首先介绍文中用到的几种算法的基本理论和具体运算步骤以及程序流程图,分析每种算法的优缺点,提出含有导数的粒子群算法和含有导数的遗传算法,并分别用几个测试函数对混合算法进行验证,说明含有导数的智能优化算法的可行性。其次主要以水文地质参数和河流水质参数求解过程为例,利用含有导数的智能优化算法以及标准智能优化算法进行求解。通过对比分析计算结果,验证了含有导数的智能优化算法对于求解水文水质参数问题的可行性;并将计算结果反演得到的计算数据与实际数据进行比较,两者拟合程度更好,验证了含有导数的智能优化算法计算结果的可靠性。其次通过比较含有导数的智能优化算法与不含导数的智能优化算法的计算过程,发现含有导数的智能优化算法收敛时所需要的进化次数明显少于不含导数的智能优化算法,充分表明含有导数的智能优化算法的收敛速度更快。最后给原始数据加一个轻微扰动,再次利用含有导数的智能优化算法与不含导数的智能优化算法进行求解,发现含有导数的的智能优化算法在求解时依然能够快速得到最优解,且运算过程相对稳定,进一步验证含有导数的智能优化算法不仅收敛能力更强而且更为稳定。
【图文】：

流程图,流程图,最优解,基因遗传学

9图 2.1 PSO 流程图 2.1 所示。etic Algorithm)简称 GA[26]，最初是美国 Michiga自然选择的思想以及基因遗传学模型基础上提出搜索和优化的先进思想[27]，即适者生存，优胜劣汰数学问题中一代代进化，保留较优解，剔除较差解有最优解保留下来，达到我们寻求最优解的目的用形式由 Goldberg 提出[28]，，这种算法与传统优化

流程图,流程图,适应度

而进化代数太多时，种群已经早熟，时间、资源白数一般取 100-500。法基本流程随机产生初始种群，个体数目 NP，每个个体表示为染色体的基求出每个个体的适应度，并判断是否符合终止条件，若符合，的最优解[31]，否则转向第三步；根据适应度高低选择再生个体，适应度高的个体留下，适应度交叉。按照特定的交叉概率，选择合适的交叉方法生成新的个变异。按照特定的变异概率，选择合适的变异方法生成新的个由交叉和变异产生新一代的种群，返回 Step2。流程图如图 2.2 所示。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;O224

【参考文献】