人工智群算法在水文模型参数优化率定中的应用研究.pdfVIP

水 利 学 报 2013年11月 SHUILIXUEBA0 第44卷增刊1 文章编号：0559—9350(2013)增刊1-0095—07 人工智群算法在水文模型参数优化率定中的应用研究 李德龙1，程先云1，杨浩2黄萍1 (1．中国水利水电科学研究院遥感技术应用中心，北京100048：2．北京市水科学技术研究院，北京100044) 摘要：水文模型参数优化率定是一项繁琐、耗时、困难的工作，快速高效地寻求模型最优参数已成为水文模型应 用研究的关键。以新安江、暴雨强度、马斯京根3个水文模型为例，引入蜂群和蛙跳两种新型人工智群算法，在 改进的基础上探讨了模型参数优化率定的新方法。在参数优化计算过程中，分别利用蜂群算法中不同蜂群间信息 共享和分工协作原理以及蛙跳算法中不同蛙群间思想文化交换的机制，对模型进行优化，使其逐渐逼近全局最 优。结果表明：相对于人工试错法和经典局部最优算法如牛顿法等，人工蜂群算法和混合蛙跳算法具有简单、鲁 棒、全局寻优和易于实现等特点；与广泛应用于水文界的SCE—UA算法和加速遗传算法等现代启发式算法相比， 人工智群优化算法在处理参数较多的模型时具有寻优速度更快、能力更强的优势。 关键词：人工蜂群算法；混合蛙跳算法；参数优化率定；水文模型 中圈分类号：P333．9 文献标识码：A 水文模型的应用难点除了模型结构本身的构筑，另一难点在于模型参数的优化率定。由于水文 模型的参数一般较多，且不完全独立，所以常表现出不确定性、高维度和高度非线性。传统的优化 算法(如牛顿法、单纯形法、人工试错法、共轭梯度法等)由于均为局部最优算法，往往难以得到参 数的全局最优解，因此不具有足够的稳定和高效性，也很难真正在实际应用中得到有效的利用和推 广。随着现代计算机技术的进步，基于仿生学的人工智能优化算法得到了快速发展，这些现代启发 式算法具有全局优化能力和通用性强等特点，如目前广泛应用于水文模型参数率定的遗传算法 Bee (GAs)、SCE—UA算法和粒子群算法(PSO)等。本文引入人工蜂群(ArtificialColonyAlgorithm- ABC)和混合蛙跳(ShuffledFrogLeaping 上，探讨两种新算法在水文模型参数优化率定中的应用。 1人工蜂群及混合蛙跳算法 群体智能是近年来发展迅速的人工智能学科，其算法是通过模拟群居生物的行为而发展起来的 优化算法，目前已成为优化领域的研究热点，人工蜂群和混合蛙跳算法即属于此类算法。 ABC是通过对自然界中蜜蜂的群体行为进行模拟而提出的一种启发式优 1．1人工蜂群算法(ABC) 化算法。算法由D．Karaboga在2005年提出，灵感来源于对蜜蜂群体觅食的行为研究。 ABC中，蜜蜂与蜜源的距离作为目标函数，每个蜜源位置对应一个可行解，蜜源的丰富程度对 应适应度。首先，初始化生成随机解，并记录当前的最优值(对应最佳位置)。然后，引领蜂在当前 蜜源附近展开搜索，根据记忆将产生的一个新的位置与最佳位置进行比较，如果记忆中的最佳位置 差于新位置，则用新位置取代，否则，不取代。当全部的引领蜂都完成搜索工作后，回到信息交流 区与其他蜜蜂共享蜜源信息。跟随蜂根据共享后的蜜源信息按照相关的概率跟随引领蜂，对蜜源位 收稿日期：2013—04—08 基金项目：水利部公益性行业科研专项“应急水文预报分析关键技术研究”(201001045) 作者简介：李德龙(1988一)，男，江西上饶人，硕士生，主要从事水信息研究。E-mail：lidelong_2009@126．corn 一95— 万方数据 置进行选择，位置确定后，会在蜜源附近邻域进行搜索，然后比较产生的新位置与之前位置，记录 最优位置。如果一个蜜源位置经过最大的循环次数之后，仍得不到改进，则由侦察蜂随机产生的新 位置代替该位置…。 1．2混合蛙跳算法(SFLA) 索群智能优化算法，该算法结合了基于基因进化的模因演算