基于连续不确定区域的遗传算法求解水文地质逆问题.doc

基于连续不确定区域的遗传算法求解水文地质逆问题 吴剑峰1，钱家忠1，21，李竞生3(1.南京大学 2.合肥工业大学 资源与环境科学学院；3.中国煤炭研究总院西安分院) -校正方法类似，该方法实质上也是一种逐步逼近的迭代过程，但通过概率论方法处理，可大大节省传统的简单遗传算法识别参数所需的时间。实例求解结果表明该方法在参数识别过程中具有较好的效果。基金项目：国家自然科学基金资助项目49972085)；博士点基金资助项目(19990 28421)(1971-)，男，江西都昌人，博士，副教授，主要从事水文学与水资源专业的教学与科研工作。 (或水中溶质)的运动规律。根据已知的参数，利用数学模型预测地下水流的未来状况，称为正问题(forward problem)(inverse problem)。对于描述地下水或溶质运移的数学模型来说，正问题都具有适定性，包括可识别性、唯一性和稳定性；而逆问题最大的困惑就是它的不适定性[1-4]。由于大多数地下水流问题都是非线性的，因此导致逆问题不适定的原因还不很清楚[5]。许多研究者用图示的方法根据不同参数在其空间变化的相互影响来考察逆问题的适定性，但这种方法每次仅仅只能图示两种参数之间的关系[6-8]。特别不幸的是，在逆问题的求解过程中往往具有更多个待求参数。所以说，逆问题的不适定性尤其是它的不唯一性是一个很严重的问题[4，5][9-16]，但如何提高其寻优速度还有待于探索[15]。作者提出一种新的基于连续不确定区域的遗传算法(sequential uncertainty domain-based genetic algorithm,简称SUDGA)，将参数求解空间分为连续的不确定区域[17]1 水文地质逆问题的求解方法概述[18]。人工识别就是通常所说的试估-校正(trial-and-error)[19]；间接方法实质上是试估-校正方法的“自动版本”，它是由计算机根据目标函数来调整参数的最佳取值。实际上，自动识别只是相对人工识别来说的。到目前为止，还没有一种自动识别过程可以实现参数的完全自动估值，都需与人工识别相结合才能找到问题的最优解[18][17，18]　　以往求解逆问题多限于确定性方法[1，18][9-12，15]2 基于连续不确定区域的遗传算法求解逆问题(误差)是由所有待求参数累积传播的，并且符合贝叶斯分布。因此可以将每个参数的求解空间划分为若干个连续的不确定区域，每个区域的均值(中点值)代表该区域的参数值，经过组合、迭代，逐步缩小参数的求解空间。Abbaspour[17]由此提出连续不确定区域的参数拟合方法(sequential uncertainty domain parameter fitting,简称SUFI)。SUFI方法在每个子区间上仅以一个点(均值点)代表整个子区间上的参数点，具有片面性，尤其是在迭代初期子区间较大时。为此，本文作者根据随机理论，利用随机函数产生不同的参数组，经过比较正问题的求解结果与观测结果(目标函数)，来逐步达到最优参数。具体求解步骤如下： 　　(1) 初始化参数取值空间。一般说来，对于某一特定的参数，可以很容易确定它的取值区间(上、下限)，再将其分为若干个连续的子区间。根据贝叶斯假设，对于服从均匀分布的参数如有效孔隙度、弥散度等[20]，可认为参数在各子区间和子区间的各点具有相同的取值概率；而对于有些参数如渗透系数K服从对数正态分布[20，21]，则可将logK对应于其累积范围的均匀分布取值(如图1)。 图1 对数正态分布参数K在等分区间上的取值(据Abbaspour等修改) (2) 计算目标函数。在每个子区间上利用随机函数产生若干个期望值为该子区间均值的参数值，分别与另外各参数在其子区间产生的随机数一一配对代入数学模型中，得到各组参数对应的水头或浓度的计算值，进而分别与观测值比较得到相应的目标函数gi(i=1,2,…，N)。如图2，假设某一逆问题中有待求参数渗透系数K、入渗补给系数α和给水度μ，如将K分为5个子区间，岷挽的子区间数分别为2个和3个，在每个子区间上产生5个随机数，则需要计算25×10×15=3750个目标函数。(3) 比较目标函数，缩小不确定求解空间。将目标函数gi(i=1,2,N)逐一与某一给定的容许标准gtolerance比较，如果gi≤gtolerance，则在gi对应的各参数子区间上增加一个点击数(点击数是用来统计满足目标函数容许标准gtolerance)；否则，点击数不增加。从而得到目标函数符合容许取值gtolerance(如图3)。如果某一子区间的点击数为0，则由贝叶斯公式可知，该子区间上一定不存在参数的最优解，由此可缩小求解空间。由于收缩后的求解空间在求解前