溷合自适应遗传算法在流域水文模型中的应用.pdfVIP

第四篇 水文水资源新方法新技术 混合自适应遗传算法在流域水文模型中的应用斗 王海波 宋星原 (武汉大学水资源与水电工程国家重点实验室武汉430072) 摘要针对标准遗传算法局部搜索能力差及易早熟的不足，提出了一种混合自适应遗传算法，将标准遗传算法 与位爬山算法相结合，并在遗传算法的选择算子中引入模拟退火机制，同时对交叉算子和变异算子做了自适应改 进。将该算法应用于广东省韩江堂荆流域新安江模型的参数优选，取得了令人满意的结果。 关键词遗传算法位爬山 自适应 新安江模型 参数优选 1前言 三水源新安江模型是一种广泛使用的降雨径流模型，在我国的南方湿润地区应用取得了较好的结果。由 于此模型内部的产汇流参数有较强的地区性特征，因而不便直接移用。三水源新安江模型的应用成功的关 键，不只在其模型结构的本身，而更在于确定合适的产汇流参数…。因此，如何根据实测水文资料来确定 模型参数，则是模型应用中的主要问题。近几年，遗传算法作为一种新的优选方法广泛的应用于水文学的研 究，本文选择遗传算法对三水源新安江模型的产汇流参数进行优选。 遗传算法(GeneticAlgorithm，以下简称GA)是一种全局随机搜索优化方法，该算法不限制模型结构、 优化准则、参数数目、约束条件等，直接在优化准则函数引导下进行全局寻优H“1。基于这些优点，遗传算 法被广泛地应用在非线性优化问题中。但在实际应用中发现，遗传算法的局部搜索能力相对较差，可以考虑 与局部搜索能力较强的方法结合。本文采用二进制编码，将局部搜索能力强的位爬LIJ算法与标准遗传算法相 Ge． 结合，并对遗传算法的参数进行了自适应性改进，提出了一种混合自适应遗传算法(Hybrid—Adaptive netic 法优于传统方法，有较强的实用性。 2 HAGA算法理论 在遗传算法进化的不同阶段，当前最优解质量提高的程度不同。在早期阶段，由于群体巾大量有效低阶 模式的存在，在交叉算子的作用下，低阶模式重组为较高阶模式的概率较大，当前最优解的质量改善的速度 较快。随着群体多样性的逐渐降低，群体中包含的低阶模式数量不断减少，高阶模式数量不断增加，个体之 间的相似性随之提高，有效基因的重组成功概率显著降低，从而群体中当前最优解改善的速度大大下降。在 GA进化的后期，个体交叉产生大量的品质无改善的子个体，所以GA计算资源利用率很低。因此，从某种 程度上讲，GA的宏观探索能力大于局部求精能力。 因此，根据实际问题求解需要，将局部搜索方法与GA结合起来，可以促进GA进化后期的计算效率问 题。通常采用的局部搜索算法包括爬山法，模拟退火法，梯度法等。本文的优化问题采用的是二进制编码， 所以局部搜索方法采用位爬山方法(BitClimbing)比较合适。 2．1位爬山算法 位爬山算法根据一个位串，采用从左到右或从右到左的顺序依次变异，从而生成更好的位串的形式。针 对顺序变异存在效率较低的问题，本文采用的位变异方式是预先确定随即序列集合Bit—List=[J。，五，…， 位序列集合进行。随机初始化个体的位爬山的单一个体的搜索过程如下”1： (1)初始化染色体个体：C=(Cl，c2。…，cf．)。 · 基金项目：国家自然科学基金资助项目。 @163．corn 混合自适成遗传算法农流域水爻模溅中的庶用 ·851· 《2》诗箕拿褡懿逶痉燕：，t《≤e》。 (3)生成随机位序列：Bit—List={^，五，…，^}，_|}=1。 (4)顺序墩丘蒜Bit—List。 《5)交吴该往蒸嚣值。 (6)计算新个体酶适瘦德：，(e’)。 (7)比较新个体的适应值：i抓c’)》，*，then，_--f(c’)，c=c’。． (8)德舔：露。蠢+1，箨法转入《4》。 ． (9禧骂：簧露=拜，羹法转入≤3)。 (10)满足终此条件，终比。 可见，随机初始化个体的德爬血方法举身就是一种局部搜索穷法，当基烈饿之间幂存在严重的炎联关系 隧，堍爨一耱骞效懿求解秀法。 2．2遗传算子的改进 2．2．1选择