新安江模型参数校准问题的多目标优化模型研究

发布时间：2020-07-19 18:54

【摘要】：水文模型是对现实世界中复杂水文过程的一种概化,模拟了降雨、汇流、蒸发等一系列水文现象。水文模型的研究是水文水资源科学研究领域中的重要部分,同时也是探究水文规律和模拟水文进程的重要工具,对流域的降水、地表截留和入渗、蒸散发、地下水、产汇流等过程的计算有不可替代的作用,正逐步应用于洪水分析与预测、水资源管理和水库调度等领域。根据水文模型过程描述的不同,可以分为两大类:概念性水文模型和基于物理机制的水文模型。每种水文模型都有很多表示水文过程的参数,这些参数很难从实际工程中测量得到,但是其取值对水文模型洪水预测结果有十分重要的影响,从而引申出了水文模型参数校准问题。在水文模型校准领域,不同的目标函数构造侧重描述了水文过程的不同方面,有的侧重于洪水整体过程线的拟合,有的侧重于大径流值的拟合或小径流值的拟合等,所以根据不同的需求,选择不同的目标函数对水文模型的洪水预报结果有不同程度的影响。同时,水文模型参数校准在实际工程中的应用表明,仅仅考虑单目标优化只能体现水文过程某一个方面的特征,而实际工程中需要考虑的方面比较多,因而水文模型参数校准问题的多目标优化模型研究应运而生。目前对于水文模型参数校准的研究主要集中在水文模型结构的改进和优化算法的选择与改进上,多数为单目标优化,且目标函数的选择比较主观,没有一个可以参考的原则。因此,本文首先分析了水文模型参数校准的误差函数,使目标函数的选取有一个可以参考的原则,然后利用多目标进化算法优化目标函数,接着采用集成学习的思想,提高了水文模型洪水的预测精度和泛化能力。本文的主要工作如下:1.水文模型误差函数分析。目标函数的选取是水文模型参数校准的第一步,一般来说,利用输出变量即预测径流值和实测径流值之间的差值来构造水文模型的目标函数,可以通过数学模型的建立最终归结为一个最优化问题,第一个需要关注的问题就是目标函数的选择。本文选择概念性水文模型:新安江模型,总结了新安江模型参数校准常用的误差函数,因为新安江模型涉及的参数相对较多,属于多决策因素实验,所以选择正交设计方法设计实验,根据实验结果分析了这些误差函数是否适合作为新安江模型参数校准问题的目标函数。同时利用对试验结果的进一步处理,对目标函数之间的相关性进行了分析。研究工作对水文模型参数校准问题的目标函数选择有一定的参考价值,并对后续多目标优化算法选择目标函数提供了可参考的依据,同时研究方法也可以应用到其它的水文模型中。2.基于Pareto的多目标进化算法和集成学习在新安江水文模型参数校准上的应用。多目标进化算法对单场洪水的预测径流量和实测径流量的拟合度很高,但是泛化能力仍然有提升的空间。集成学习可以有效的提高模型的泛化能力,考虑多目标优化问题中目标函数之间互相冲突,由多目标进化算法产生的Pareto解集可以满足集成学习中基学习器需要满足多样性和准确性的要求。本文选用多目标进化算法NSGAII对目标函数优化得到Pareto解集,然后利用集成学习的思想,从多目标进化算法得到的Pareto解集中选取部分解作为基学习器,最后利用回归预测方法对基学习器的结果进行整合,实验结果表明多目标进化算法与集成学习相结合可以提高新安江模型洪水预测的泛化能力和预测精度。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP18;P334.92
【图文】：

集成学习,学习器,假设空间,性能

练集的数据相对于整个假设空间太少时就反映成了一个统，学习算法能够在假设空间 H 中可以发现很多具有相同，外层曲线表示假设空间 H，内层曲线表示在给定的训练的、准确性的假设集合，h1，h2，h3，h4是我们得到的 4的假设。因而可以通过构造一个集成假设来平均假设结果正确假设 h。计算角度分析：很多利用局部搜索的方法常常陷入局部最梯度下降法最小化训练数据的误差函数，决策树算法利用情况下，尽管有足够多的训练数据，满足了上述第一个条设，如图 2.3 所示。集成利用整合多个从不同初始点出发更好的假设逼近真实假设 f。表示角度分析：在实际应用中，通常很难通过数据训练在和真实假设f完全相同，通过对训练得到的多个假设进行或许可以扩展假设空间的范围，从而接近真实假设 f，如

东洋,河流,决策因素,决策空间

西安电子科技大学硕士学位论文20图3.2 东洋河流域图3.4.1 正交设计方法通常在实验设计中，对于决策因素比较少的实验，我们可以通过穷举的方法来研究实验在决策因素所有组合情况下的表现，但是当决策因素个数比较多且取值范围比较广时，若仍采取全面试验的方法，其规模将是十分庞大的，所花费的时间和精力也将难以估计。而且很多时候我们不需要穷尽所有可能的组合，因为很多实验结果是重复的，只需要找到具有代表性的组合来进行实验即可。正交设计方法就是一种解决多决策因素实验的设计方法，即在决策空间均匀的选择决策因素组合进行实验，当在决策空间选取的点足够多时就可以认为接近全面试验的结果了。若选择随机取样的方法，可能会使得样本集中聚集在决策空间的某一部分

【参考文献】